في عالم الذكاء الاصطناعي، تستمر نماذج الانتشار المعتمدة على الدرجات (Score-based Diffusion Models) في إثارة الجدل، خصوصًا فيما يتعلق بقدرتها على التعامل مع البيانات ذات الأبعاد المنخفضة. على الرغم من النجاح المذهل الذي حققته هذه النماذج في التجارب العملية، فإن التساؤلات حول الضمانات الإحصائية لا تزال قائمة. لقد أثبتت التحليلات الحالية أنها تقدم معدلات تقارب متشائمة، غير قابلة للتطبيق على الهياكل البسيطة الموجودة في البيانات الحقيقية، كما هو الحال في الصور الطبيعية.

في هذا البحث الجديد، تمت دراسة تقارب نماذج الانتشار المعتمدة على الدرجات في تعلم توزيع غير معروف من عينات محدودة. تحت ظروف تنظيمية بسيطة على عملية الانتشار وبيانات التوزيع، تم اشتقاق حدود خطأ العينة المنتهية على التوزيع التوليدي المتعلم، بحيث تم قياسها في المسافة واسيشتاين (Wasserstein) من الرتبة (p).

على عكس النتائج السابقة، فإن الضمانات المقدمة تنطبق على جميع القيم (p ≥ 1)، ولا تتطلب سوى افتراضات على العزم المنتهي (
وبالإضافة إلى ذلك، تقدم هذه النتائج جسرًا مفاهيميًا يربط بين تحليلات نماذج الانتشار ونماذج الشبكة التنافسية (GANs) ومعدلات المينيماكس الحادة في النقل الأمثل. ويعتبر بُعد واسيشتاين الخاص (p, q) امتدادًا لمفهوم بعد واسيشتاين التقليدي للتوزيعات ذات الدعم غير المحدود، مما قد يكون له أهمية نظرية مستقلة.

لذا، هل تعتقد أن هذه النماذج ستحدث ثورة في كيفية تعاملنا مع البيانات؟#التفاعل_مع_البيانات #الذكاء_الاصطناعي #نماذج_الانتشار