擴散模型中編碼器訓練的中斷提供了更有效的生成性AI

科學的研究人員開發了生成擴散模型的新結構，該結構顯著改善了人工智能的生成模型。該方法已重新考慮了Sherining Bridge的模型作為具有無限許多隱藏變量的變異自動代碼，從而降低了計算成本並防止重新思考。通過中斷編碼器的製備，這種方法可以開發更有效的生成AI，並具有廣泛的適用性，並且在標準擴散模型之外進行了廣泛的適用性。

擴散模型是生成AI中最廣泛使用的方法之一，用於創建圖像和音頻。這些模型生成新數據，逐漸向真實樣本添加噪聲（顏色），然後研究如何將此過程（DEN形成）變成現實數據。廣泛使用的版本是基於點的模型，它是由於擴散過程而達到的，並以足夠長的間隔連接到數據。但是，這種方法具有限制，即當數據與前一個方法完全不同時，台落和enoing過程的臨時間隔更長，這會導致樣本生成的放緩。

現在，來自日本東京科學研究所的研究小組提出了擴散模型的新基礎，該模型更快且苛刻。他們已經到達了，重新思考 Schrödinger橋模型（SB）擴散模型的類型，作為變異自動-Ecodora（VAE）。

這項研究是由Khantaro Kaba的一名研究生和東京科學物理學院的Masayuki Oodki教授進行的，與Sugiyama先生（當時的研究生）和Sugiyama助理教授合作，來自日本Tokhoku，日本Tokhoku，sugiyama的助理教授。他們的結論發表在 物理評論的研究 2025年9月3日。

SB模型比基於點的標準點具有更大的靈活性，因為它們可以在最後一次使用隨機微分方程（SDE）連接任何兩個概率分佈。這支持更複雜的成本和更好的樣本生成。然而，折衷方案在於SB模型在數學上是複雜且培訓昂貴的事實。

提出的方法通過將SB模型重新設計為具有幾個隱藏變量的VAE來考慮這一點。 Kaba說：“使用數據處理的不平等，這種觀點可以將隱藏變量的數量從一個擴展到無限。這種觀點使我們能夠解釋VAE內的SB類型的模型。”

在這種情況下，編碼器是一個直接的過程，它將真實數據顯示為嘈雜的隱藏空間，而解碼器則將重新構造的過程轉換為逼真的樣品的重建過程，並且兩個過程均被神經網絡研究的SDE建模。

該模型使用兩個組件學習的目的。第一個是以前的損失，該損失可以保證代碼可以正確地顯示具有先前分佈的數據分配。第二個是漂移​​的比較，它教導解碼器模仿反向編碼器過程的動力學。此外，在先前的損失穩定後，可以在早期階段停止編碼器的訓練。這使我們能夠快速完成培訓，從而降低了殘留物的風險並保持SB模型中的高精度。

“目標函數由與損失和漂移相對應的先前部分組成，該部分分別表徵了編碼器和解碼器中神經網絡的訓練。它們共同降低了SB類型培訓模型的計算成本。這證明了編碼器的中斷訓練的中斷會使Reassignment的問題軟化，” Drevki解釋說。 ”

這種方法是靈活的，可以應用於其他概率集規則集，甚至不是馬爾可夫流程，這使其成為廣泛適用的學習方案。