ترجمه فارسی مقاله اصلاح‌کننده‌های آگاهانه برای مدل‌های انتشار گسسته

چکیده

Discrete diffusion modeling is a promising framework for modeling and generating data in discrete spaces. To sample from these models, different strategies present trade-offs between computation and sample quality. A predominant sampling strategy is predictor-corrector $τ$-leaping, which simulates the continuous time generative process with discretized predictor steps and counteracts the accumulation of discretization error via corrector steps. However, for absorbing state diffusion, an important class of discrete diffusion models, the standard forward-backward corrector can be ineffective in fixing such errors, resulting in subpar sample quality. To remedy this problem, we propose a family of informed correctors that more reliably counteracts discretization error by leveraging information learned by the model. For further efficiency gains, we also propose $k$-Gillespie’s, a sampling algorithm that better utilizes each model evaluation, while still enjoying the speed and flexibility of $τ$-leaping. Across several real and synthetic datasets, we show that $k$-Gillespie’s with informed correctors reliably produces higher quality samples at lower computational cost.

چکیده به فارسی (ترجمه ماشینی)

مدل سازی انتشار گسسته یک چارچوب امیدوار کننده برای مدل سازی و تولید داده ها در فضاهای گسسته است.برای نمونه برداری از این مدل ها ، استراتژی های مختلف تجارت بین محاسبات و کیفیت نمونه را ارائه می دهد.یک استراتژی نمونه برداری غالب ، پیش بینی کننده اصلاح کننده $ τ $ -eeaping است که فرآیند تولید کننده زمان مداوم را با مراحل پیش بینی کننده گسسته شبیه سازی می کند و از طریق مراحل تصحیح ، تجمع خطای گسسته سازی را خنثی می کند.با این حال ، برای جذب انتشار حالت ، یک کلاس مهم از مدل های انتشار گسسته ، تصحیح استاندارد به جلو می تواند در رفع چنین خطاهایی بی اثر باشد و در نتیجه کیفیت نمونه زیرپردانی باشد.برای رفع این مشکل ، ما به خانواده ای از تصحیحات آگاه پیشنهاد می کنیم که با استفاده از اطلاعاتی که توسط مدل آموخته شده است ، با اطمینان بیشتری خطای گسسته را خنثی می کنند.برای افزایش بهره وری بیشتر ، ما همچنین $ k $-Gillespie را پیشنهاد می کنیم ، یک الگوریتم نمونه گیری که بهتر از هر ارزیابی مدل استفاده می کند ، در حالی که هنوز از سرعت و انعطاف پذیری $ $ $ استفاده می کند.در بین چندین مجموعه داده واقعی و مصنوعی ، ما نشان می دهیم که $ k $ -gillespie با اصلاح کننده های آگاه به طور قابل اعتماد نمونه های با کیفیت بالاتری را با هزینه محاسباتی پایین تر تولید می کند.