Исследователи разработали инновационный фреймворк для диффузионных моделей, который существенно повышает эффективность генеративного искусственного интеллекта. Метод основан на переосмыслении моделей Шрёдингеровского моста как вариационных автоэнкодеров с бесконечным количеством латентных переменных.
Диффузионные модели относятся к наиболее популярным подходам в генеративном ИИ для создания изображений и аудио. Эти модели генерируют новые данные путем постепенного добавления шума к реальным образцам с последующим обучением обратному процессу восстановления реалистичных данных.
Новый подход позволяет сократить вычислительные затраты и предотвратить переобучение моделей. Ключевым элементом методики является своевременное прерывание обучения энкодера, что обеспечивает развитие более эффективного генеративного ИИ с широкой областью применения.
Разработанная модель модифицирует диффузионные модели типа Шрёдингеровского моста, добавляя шум к реальным данным через энкодер и восстанавливая образцы через декодер. Использование двух функций цели — потери приора и matching дрейфа — позволяет снизить computational cost и избежать overfitting.
Предложенный метод демонстрирует гибкость и может применяться к другим вероятностным наборам правил, включая немарковские процессы, что делает его универсальной схемой обучения для современных систем искусственного интеллекта.
