مقاله سمپلینگ سفر با نقشه های نگاشت جلوبرنده

چکیده

The number of sampling methods could be daunting for a practitioner looking to cast powerful machine learning methods to their specific problem. This paper takes a theoretical stance to review and organize many sampling approaches in the “generative modeling” setting, where one wants to generate new data that are similar to some training examples. By revealing links between existing methods, it might prove useful to overcome some of the current challenges in sampling with diffusion models, such as long inference time due to diffusion simulation, or the lack of diversity in generated samples.

چکیده به فارسی (ترجمه ماشینی)

تعداد روشهای نمونه برداری می تواند برای یک پزشک که به دنبال ایجاد روش های قدرتمند یادگیری ماشین به مشکل خاص خود است ، دلهره آور باشد.در این مقاله یک موضع نظری برای بررسی و سازماندهی بسیاری از رویکردهای نمونه برداری در تنظیمات “مدل سازی تولیدی” وجود دارد ، جایی که می خواهد داده های جدیدی را تولید کند که مشابه برخی از نمونه های آموزشی باشد.با آشکار کردن پیوندها بین روشهای موجود ، ممکن است برای غلبه بر برخی از چالش های فعلی در نمونه برداری با مدل های انتشار ، مانند زمان استنباط طولانی به دلیل شبیه سازی انتشار یا عدم تنوع در نمونه های تولید شده ، مفید باشد.