في عالم نماذج الانتشار (Diffusion Models)، تُعتبر مسألة كيفية تحديد مستويات الضوضاء (Noise Levels) المناسبة للتدريب من المسائل الحيوية لتحسين فعالية الأداء. رغم أهمية هذا القرار، إلا أن الجداول الزمنية للضوضاء الحالية تعتمد بشكل كبير على التجارب والتعديلات التجريبية. في دراسة جديدة، طور الباحثون إطارًا إحصائيًا عامًا لدراسة تخصيص مستويات الضوضاء بشكل مثالي خلال تدريب نماذج الانتشار.

تتمثل النتيجة الرئيسية الأولى للدراسة في نظام التشابك الكامل، حيث يمكن أن تنتشر المعلومات بين نقاط زمنية مختلفة. من خلال افتراضات مثل التحدب (Convexity) أو نوع پولياك-لوجاسييفيتش (Polyak-Lojasiewicz)، أظهر الباحثون أن جدول التدريب المُحسّن يقبل مُعامِلًا ذريًا، يتمركز على عدة مستويات ضوضاء محدودة.

أما النتيجة الرئيسية الثانية، فتتمحور حول تخصيص هذا الإطار لنظام المتعلم المستقل (Independent-Learner Regime)، الذي يهدف إلى نمذجة التخصص الزمني في الشبكات العصبية. تحت شرط فصل الضوضاء عن الميزات، يؤدي تحليل المصفوفات العشوائية إلى اقتران معلوماتي: إذ إن كثافة العينة المفككة تتناسب مع الجذر التربيعي لمعدل انتروبيا التوليد، وهو المعدل الذي يكبر فيه الانتروبيا الشرطية على طول العملية الأمامية.

تم اختبار هذه التوقعات في بيئات محكومة حيث يمكن تحسين الهدف المتشابك مباشرة، بما في ذلك مزيجات ديراك (Dirac Mixtures) والمناطق المنخفضة الأبعاد (Low-Dimensional Manifolds) وبيانات MNIST. في هذه الإعدادات، كانت الجداول الزمنية المحسنة تتسم بشكل متسق بدعم محدود، بينما تتبع المقاربة الانطلاقية بشكل دقيق الكمال الذري في نماذج الشبكات العصبية، وتنهار بشكل أساسي في الحالة البرامترية المتشابكة بالكامل، كما تشير النظرية.

تم تقييم الجدول الزمني للانتروبيا في تجارب على نطاق أكبر، حيث يعد تحسين الجدول بالكامل حاليًا غير قابل للتطبيق. تشير النتائج إلى أن جدولة انتروبيا الجذر التربيعي يمكن أن تعزز بشكل كبير كفاءة التدريب في المجالات المنفصلة، ولا تزال تنافس جيدًا مع استراتيجيات heuristics التقليدية على الصور المستمرة.