في عالم الذكاء الاصطناعي، لا تزال نماذج الانتشار (Diffusion Models) تتألق بقدرتها على إنتاج مخرجات مدهشة حتى عند استخدامها لمجموعات بيانات غير متداخلة. وللكشف عن هذه الظاهرة، تم استخدام إطار عمل نظرية المصفوفات العشوائية (Random Matrix Theory) الذي يساعد في فهم كيف تؤثر إحصاءات غاوسية مشتركة عبر توزيعات البيانات على النتائج المتولدة.

هذه الدراسة تشير إلى أن النماذج لا تنتج فقط نتائج عشوائية، بل تعكس توازنًا دقيقًا يعتمد على إحصاءات البيانات من خلال علاقة ذاتية تفسيرية في مستوى الضجيج. وبالتالي، يمكن تفسير سلوك النماذج عن طريق فهم ثلاثة عوامل رئيسية: التباين غير المتساوي عبر نظم القيم الذاتية، التباين غير المتجانس بين المدخلات، وحجم بيانات التدريب.

وبفضل نظرية المصفوفات العشوائية، تمكنا أيضًا من فهم سلوك نماذج الانتشار الخطية ونتائجها على معمارتي UNet وDiT، مما يوفر قاعدة صلبة لتحقيق استنساخ نتائج التدريب. هذه النتائج تلقي الضوء على كيفية ربط الخصائص الطيفية للبيانات باستقرار المخرجات المنتجة.

ما رأيكم في هذا التطور المثير في عالم نماذج الذكاء الاصطناعي؟ شاركونا في التعليقات!