اکسپرس 24
ترجمه فارسی مقاله یک نظریه همگرایی شدید برای معادلات دیفرانسیل معمولی جریان احتمال مدل‌های انتشار

ترجمه فارسی مقاله یک نظریه همگرایی شدید برای معادلات دیفرانسیل معمولی جریان احتمال مدل‌های انتشار

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 A Sharp Convergence Theory for The Probability Flow ODEs of Diffusion Models
عنوان مقاله به فارسی یک نظریه همگرایی شدید برای معادلات دیفرانسیل معمولی جریان احتمال مدل‌های انتشار
نویسندگان Gen Li, Yuting Wei, Yuejie Chi, Yuxin Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 49
دسته بندی موضوعات Machine Learning,Signal Processing,Numerical Analysis,Statistics Theory,Machine Learning,یادگیری ماشین , پردازش سیگنال , تجزیه و تحلیل عددی , تئوری آمار , یادگیری ماشین ,
توضیحات Submitted 5 August, 2024; originally announced August 2024. , Comments: This manuscript presents improved theory for probability flow ODEs compared to its earlier version arXiv:2306.09251
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024. ، نظرات: این نسخه خطی تئوری بهبود یافته را برای جریان احتمال در مقایسه با نسخه قبلی خود Arxiv ارائه می دهد: 2306.09251

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,960,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Diffusion models, which convert noise into new data instances by learning to reverse a diffusion process, have become a cornerstone in contemporary generative modeling. In this work, we develop non-asymptotic convergence theory for a popular diffusion-based sampler (i.e., the probability flow ODE sampler) in discrete time, assuming access to $ell_2$-accurate estimates of the (Stein) score functions. For distributions in $mathbb{R}^d$, we prove that $d/varepsilon$ iterations -- modulo some logarithmic and lower-order terms -- are sufficient to approximate the target distribution to within $varepsilon$ total-variation distance. This is the first result establishing nearly linear dimension-dependency (in $d$) for the probability flow ODE sampler. Imposing only minimal assumptions on the target data distribution (e.g., no smoothness assumption is imposed), our results also characterize how $ell_2$ score estimation errors affect the quality of the data generation processes. In contrast to prior works, our theory is developed based on an elementary yet versatile non-asymptotic approach without the need of resorting to SDE and ODE toolboxes.

چکیده به فارسی (ترجمه ماشینی)

مدل های انتشار ، که با یادگیری برای معکوس کردن یک فرآیند انتشار ، نویز را به نمونه های جدید داده تبدیل می کنند ، به یک سنگ بنای در مدل سازی مولد معاصر تبدیل شده اند.در این کار ، ما نظریه همگرایی غیر متناوب را برای یک نمونه گیری مبتنی بر انتشار محبوب (به عنوان مثال ، نمونه احتمال جریان ODE) در زمان گسسته ایجاد می کنیم ، با فرض دسترسی به $ el_2 $-کارکردهای نمره (استین).برای توزیع در $ mathbb {r}^d $ ، ما ثابت می کنیم که $ d/ varepsilon $ تکرار-برخی از اصطلاحات لگاریتمی و مرتبه پایین-برای تقریب توزیع هدف به کل varepsilon $ $ کافی استفاصله تغییراین اولین نتیجه ای است که وابستگی به ابعاد تقریباً خطی (در $ D $) برای نمونه گیری ODE جریان احتمالی ایجاد می کند.تحمیل فقط فرضیات حداقل در توزیع داده های هدف (به عنوان مثال ، هیچ فرض صافی تحمیل نمی شود) ، نتایج ما همچنین مشخص می کند که چگونه خطاهای تخمین نمره $ el_2 $ بر کیفیت فرآیندهای تولید داده تأثیر می گذارد.بر خلاف آثار قبلی ، تئوری ما بر اساس یک رویکرد ابتدایی و در عین حال همه کاره غیر متعارف و بدون نیاز به توسل به جعبه ابزار SDE و ODE توسعه می یابد.

📚 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.