Articles sur Diffusion Models

ReNFT traite l'effondrement de mode comme une redistribution interne de la masse de probabilité plutôt que comme une perte d'informations, préconisant une réparation depuis l'intérieur du générateur plutôt que de s'appuyer sur des signaux externes. Cela signifie que la perte de diversité dans la formation post-récompense peut être réversible, et l'accent de recherche devrait passer de l'ajout de régularisation et de la modification des interfaces à l'utilisation de la propre structure de capacités du modèle.

La compréhension des glissements de terrain est modélisée comme un processus de diffusion qui déduit progressivement la présence, l'étendue et les limites des glissements de terrain à partir des variables latentes du bruit. Cela signifie que la détection, la segmentation et l’explication causale sont unifiées dans un cadre probabiliste, plutôt que de fonctionner en silos. À en juger par cela, le guidage visuel par langage devient une voie possible pour l’interprétation par télédétection afin de passer d’un modèle dédié à un modèle général de monde ouvert.

Cette revue de tutoriel trie systématiquement les choix de conception pour la formation, l'inférence et l'évaluation des modèles de diffusion dans l'inférence basée sur la simulation (SBI), et répertorie les méthodes existantes telles que le bootstrap, la combinaison fractionnaire, l'appariement de flux, etc. Par rapport aux recherches dispersées précédentes, cet article fournit un cadre unifié et abaisse la barrière d'entrée pour les chercheurs, mais ne propose pas de nouvelles méthodes.