MAPress
مقاله یادگیری پیوسته از مدل های انتشار با استخراج تولیدی

مقاله یادگیری پیوسته از مدل های انتشار با استخراج تولیدی

تگ‌ها: Artificial Intelligence Computer Vision and Pattern Recognition Machine Learning چشم انداز رایانه و تشخیص الگوی هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Continual Learning of Diffusion Models with Generative Distillation
عنوان مقاله به فارسی مقاله یادگیری پیوسته از مدل های انتشار با استخراج تولیدی
نویسندگان Sergi Masip, Pau Rodriguez, Tinne Tuytelaars, Gido M. van de Ven
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 23 November, 2023; originally announced November 2023.
توضیحات به فارسی ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد.

چکیده

Diffusion models are powerful generative models that achieve state-of-the-art performance in tasks such as image synthesis. However, training them demands substantial amounts of data and computational resources. Continual learning would allow for incrementally learning new tasks and accumulating knowledge, thus reusing already trained models would be possible. One potentially suitable approach is generative replay, where a copy of a generative model trained on previous tasks produces synthetic data that are interleaved with data from the current task. However, standard generative replay applied to diffusion models results in a catastrophic loss in denoising capabilities. In this paper, we propose generative distillation, an approach that distils the entire reverse process of a diffusion model. We demonstrate that our approach significantly improves the continual learning performance of generative replay with only a moderate increase in the computational costs.

چکیده به فارسی (ترجمه ماشینی)

مدل های انتشار مدل های تولیدی قدرتمندی هستند که در کارهایی مانند سنتز تصویر به عملکرد پیشرفته می رسند.با این حال ، آموزش آنها نیاز به مقادیر قابل توجهی از داده ها و منابع محاسباتی دارد.یادگیری مداوم امکان یادگیری تدریجی کارهای جدید و جمع آوری دانش را فراهم می کند ، بنابراین استفاده مجدد از مدل های قبلاً آموزش دیده امکان پذیر است.یک رویکرد بالقوه مناسب ، پخش مجدد تولیدی است ، جایی که یک کپی از یک مدل تولیدی که روی کارهای قبلی آموزش دیده است ، داده های مصنوعی را تولید می کند که با داده های کار فعلی در هم تنیده شده اند.با این حال ، پخش مجدد مولد استاندارد که برای مدلهای انتشار اعمال می شود منجر به از بین رفتن فاجعه بار در قابلیت های دفع می شود.در این مقاله ، ما تقطیر تولیدی را پیشنهاد می کنیم ، رویکردی که کل فرآیند معکوس یک مدل انتشار را تقسیم می کند.ما نشان می دهیم که رویکرد ما به طور قابل توجهی عملکرد یادگیری مداوم پخش مجدد تولید را با تنها افزایش متوسط در هزینه های محاسباتی بهبود می بخشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.