ترجمه فارسی مقاله RCDM: توانمندسازی استحکام برای مدل انتشار شرطی

چکیده

The conditional diffusion model (CDM) enhances the standard diffusion model by providing more control, improving the quality and relevance of the outputs, and making the model adaptable to a wider range of complex tasks. However, inaccurate conditional inputs in the inverse process of CDM can easily lead to generating fixed errors in the neural network, which diminishes the adaptability of a well-trained model. The existing methods like data augmentation, adversarial training, robust optimization can improve the robustness, while they often face challenges such as high computational complexity, limited applicability to unknown perturbations, and increased training difficulty. In this paper, we propose a lightweight solution, the Robust Conditional Diffusion Model (RCDM), based on control theory to dynamically reduce the impact of noise and significantly enhance the model’s robustness. RCDM leverages the collaborative interaction between two neural networks, along with optimal control strategies derived from control theory, to optimize the weights of two networks during the sampling process. Unlike conventional techniques, RCDM establishes a mathematical relationship between fixed errors and the weights of the two neural networks without incurring additional computational overhead. Extensive experiments were conducted on MNIST and CIFAR-10 datasets, and the results demonstrate the effectiveness and adaptability of our proposed model.

چکیده به فارسی (ترجمه ماشینی)

مدل انتشار شرطی (CDM) با ارائه کنترل بیشتر ، بهبود کیفیت و ارتباط خروجی ها ، مدل انتشار استاندارد را تقویت می کند و مدل را با طیف وسیع تری از کارهای پیچیده سازگار می کند.با این حال ، ورودی های مشروط نادرست در فرآیند معکوس CDM می توانند به راحتی منجر به ایجاد خطاهای ثابت در شبکه عصبی شوند ، که باعث کاهش سازگاری یک مدل خوب آموزش دیده می شود.روشهای موجود مانند تقویت داده ها ، آموزش مخالف ، بهینه سازی قوی می تواند استحکام را بهبود بخشد ، در حالی که آنها اغلب با چالش هایی مانند پیچیدگی محاسباتی بالا ، کاربرد محدود در آشفتگی های ناشناخته و افزایش مشکل در آموزش روبرو هستند.در این مقاله ، ما یک راه حل سبک وزن ، مدل انتشار شرطی قوی (RCDM) را بر اساس تئوری کنترل برای کاهش پویا تأثیر نویز پیشنهاد می کنیم و استحکام مدل را به میزان قابل توجهی افزایش می دهد.RCDM تعامل مشترک بین دو شبکه عصبی ، همراه با استراتژی های کنترل بهینه حاصل از تئوری کنترل ، برای بهینه سازی وزن دو شبکه در طی فرآیند نمونه برداری را افزایش می دهد.بر خلاف تکنیک های معمولی ، RCDM رابطه ریاضی بین خطاهای ثابت و وزن دو شبکه عصبی ایجاد می کند بدون اینکه وارد سربار محاسباتی اضافی شود.آزمایش های گسترده ای بر روی مجموعه داده های MNIST و CIFAR-10 انجام شد ، و نتایج نشان دهنده اثربخشی و سازگاری مدل پیشنهادی ما است.