تعد نماذج الانتشار (Diffusion Models) من أهم التطورات في مجال الذكاء الاصطناعي، حيث تسهم في توليد بيانات عالية الأبعاد بجودة غير مسبوقة. لكن كيف يتمكن هذا النوع من النماذج من تجاوز تحديات "لعنة الأبعاد" (Curse of Dimensionality) عندما تكون البيانات مدعومة على manifolds ذات أبعاد منخفضة؟

في دراسة حديثة، تم تحديد آلية مثيرة تتسم بالسقوط والتكرير (collapse-and-refine) مدفوعة بجغرافيا الدالة الإحصائية (score function) نفسها. عند مستويات ضوضاء صغيرة، تؤدي التفرد المتزايد للدالة إلى انهيار سريع في الأبعاد للخرائط الناتجة عن إزالة الضوضاء (denoising map) إلى إسقاط manifolds البيانات. بينما عند مستويات الضوضاء المتوسطة، يقوم التدريب بتكرير الكثافة الأساسية على الـ manifold المكتشف.

تم تطبيق هذا المبدأ في نموذج جديد يسمى الانتشار الكامن المدفوع بالدالة الإحصائية (Score-induced Latent Diffusion - SiLD)، وهو إطار عمل يتكون من مرحلتين يتطور فيهما كل من تعلم الـ manifold وتقدير الكثافة من هدف موحد لإزالة الضوضاء. وهذا يستبدل الانتظام الإرشادي لـ KL في نماذج الانتشار الكامنة المعتمدة على VAE.

البحث أثبت أن تعقيد العينة الناتجة يعتمد على الأبعاد الجوهرية بدلاً من الأبعاد البيئية. وأظهرت التجارب على مجموعة بيانات Stacked MNIST وCelebA والتولد الجزيئي أن SiLD يتطابق أو يتفوق على نماذج الانتشار الكامنة المعتمدة على VAE من حيث جودة التوليد، كما تحسن إعادة البناء باستمرار، مما يؤكد توقعاتنا النظرية.

تعتبر هذه التطورات خطوة متقدمة نحو تحسين تقنيات تعلم الآلة وتوسيع آفاق البحث في هذا المجال. ما هو رأيكم في هذه الآلية الجديدة؟ شاركونا بالتعليقات.