ترجمه فارسی مقاله از تطابق نمره بهینه تا نمونه گیری بهینه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی From optimal score matching to optimal sampling
عنوان مقاله به فارسی از تطابق نمره بهینه تا نمونه گیری بهینه
نویسندگان Zehao Dou, Subhodh Kotekal, Zhehao Xu, Harrison H. Zhou
فرمت مقاله انگلیسی PDF
تعداد صفحات 71
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: 71 pages
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 71 صفحه
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

چکیده

The recent, impressive advances in algorithmic generation of high-fidelity image, audio, and video are largely due to great successes in score-based diffusion models. A key implementing step is score matching, that is, the estimation of the score function of the forward diffusion process from training data. As shown in earlier literature, the total variation distance between the law of a sample generated from the trained diffusion model and the ground truth distribution can be controlled by the score matching risk. Despite the widespread use of score-based diffusion models, basic theoretical questions concerning exact optimal statistical rates for score estimation and its application to density estimation remain open. We establish the sharp minimax rate of score estimation for smooth, compactly supported densities. Formally, given \(n\) i.i.d. samples from an unknown \(α\)-Hölder density \(f\) supported on \([-1, 1]\), we prove the minimax rate of estimating the score function of the diffused distribution \(f * \mathcal{N}(0, t)\) with respect to the score matching loss is \(\frac{1}{nt^2} \wedge \frac{1}{nt^{3/2}} \wedge (t^{α-1} + n^{-2(α-1)/(2α+1)})\) for all \(α> 0\) and \(t \ge 0\). As a consequence, it is shown the law \(\hat{f}\) of a sample generated from the diffusion model achieves the sharp minimax rate \(\bE(\dTV(\hat{f}, f)^2) \lesssim n^{-2α/(2α+1)}\) for all \(α> 0\) without any extraneous logarithmic terms which are prevalent in the literature, and without the need for early stopping which has been required for all existing procedures to the best of our knowledge.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر و چشمگیر در تولید الگوریتمی تصویر ، صدا و فیلم با وفاداری بالا عمدتاً به دلیل موفقیت های بزرگ در مدلهای انتشار مبتنی بر نمره است.یک مرحله اجرای کلیدی تطبیق نمره است ، یعنی تخمین عملکرد نمره فرآیند انتشار رو به جلو از داده های آموزش.همانطور که در ادبیات قبلی نشان داده شده است ، فاصله کل تنوع بین قانون نمونه تولید شده از مدل انتشار آموزش دیده و توزیع حقیقت زمین را می توان با خطر تطبیق نمره کنترل کرد.با وجود استفاده گسترده از مدلهای انتشار مبتنی بر نمره ، سؤالات اساسی نظری در مورد نرخ دقیق آماری بهینه برای تخمین نمره و کاربرد آن برای برآورد چگالی باز است.ما نرخ متوسط ​​حداقل تخمین نمره را برای تراکم صاف و کاملاً پشتیبانی شده پشتیبانی می کنیم.به طور رسمی ، با توجه به \ (n \) i.i.d.نمونه هایی از یک ناشناخته \ (α \)-چگالی Hölder \ (f \) که بر روی \ ([-1 ، 1] \) پشتیبانی می شود ، ما ثابت می کنیم نرخ حداقل تخمین عملکرد نمره توزیع پراکنده \ (f * \ mathcal{n} (0 ، t) \) با توجه به از دست دادن نمره تطبیق \ (\ frac {1} {nt^2} \ wedge \ frac {1} {nt^{3/2}} \ wedge (t^{α-1} + n^{-2 (α-1)/(2α + 1)}) \) برای همه \ (α> 0 \) و \ (t \ ge 0 \).به عنوان یک نتیجه ، قانون \ (\ hat {f} \) نمونه ای از نمونه تولید شده از مدل انتشار نشان می دهد که به نرخ مینیماکس تیز دست می یابد (\ be (\ dtv (\ hat {f} ، f)^2)\ lesssim n^{-2α/(2α+1)} \) برای همه \ (α> 0 \) بدون هیچ اصطلاح لگاریتمی خارجرویه های موجود به بهترین دانش ما.

📚 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.