「擴散模型」也能攻克演算法難題？
圖片
一位博士研究人員做了一個有趣的實驗，用「離散擴散」尋找用圖像表示的迷宮中的最短路徑。
圖片
作者介紹，每個迷宮都是透過重複添加水平和垂直牆生成的。
其中，起始點和目標點隨機選取。
從起點到目標點的最短路徑中，隨機取樣一條作為解的路徑。最短路徑是透過精確演算法算出來的。
圖片
然後使用離散擴散模型和U-Net。
將起點和目標的迷宮被編碼在一個通道中，而模型在另一個通道中用解來消除迷宮的雜訊。
圖片
再難一點的迷宮，也能做的很好。
圖片
為了估算去雜訊步驟p(x_{t-1} | x_t)，演算法會估算p( x_0 | x_t)。在這個過程中可視化這一估計值（底行），顯示“當前假設”，最終聚焦在結果上。
圖片
英偉達資深科學家Jim Fan表示，這是一個有趣的實驗，擴散模型可以「渲染」演算法。它可以只從像素實現迷宮遍歷，甚至使用了比Transforme弱得多的U-Net。
我一直認為擴散模型是渲染器，而Transformer是推理引擎。看起來，渲染器本身也可以編碼非常複雜的順序演算法。
圖片
這個實驗簡直驚呆了網友，「擴散模型還能做什麼？！」
圖片
也有人表示，一旦有人在足夠好的資料集上訓練擴散Transformer，AGI就解決了。
圖片
不過這項研究尚未正式發布，作者表示稍後更新在arxiv上。
值得一提的是，在這個實驗中，他們採用了Google腦團隊曾在2021年提出的離散擴散模型。
圖片
就在最近，這項研究重新更新了一版。
「生成模型」是機器學習中的核心問題。
它既可用於衡量我們擷取自然資料集統計資料的能力，也可用於需要產生影像、文字和語音等高維度資料的下游應用程式。
GAN、VAE、大型自回歸神經網路模型、歸一化流等方法，在樣本品質、取樣速度、對數似然，以及訓練穩定性方面都各有千秋。
最近，「擴散模型」已成為圖像、音訊生成，最受歡迎的替代方案。
它可以用更少的推理步驟，實現了與GAN相當的樣本質量，以及與自回歸模型相當的對數似然。
圖片
論文網址：https://www.php.cn/link/46994a3cd8d943d03b44b8fc9792d435
#雖然已有人提出了離散和連續狀態空間的擴散模型，但最近的研究主要集中在，連續狀態空間中運行的高斯擴散過程（如實值圖像和波形資料）。
離散狀態空間的擴散模型，已在文本和圖像分割領域進行了探索，但是還沒有在文本和圖像的大規模生成任務中，證明是一個有競爭力的模型。
Google研究團隊提出了一個全新的離散去噪擴散機率模型（D3PM）。
研究中，作者證明了過度矩陣的選擇是一個重要的設計決策，它能改善圖像和文字領域的結果。
此外，他們也提出了一個新的損失函數，它結合了變分下界和輔助的交叉熵損失。
在文本方面，這個模型在字元級文本生成方面取得了很好的效果，同時可以擴展到大詞彙量的LM1B資料集上。
在CIFAR-10影像資料集上，最新模型接近了連續空間DDPM模型的樣本質量，並超過了連續空間 DDPM 模型的對數似然。
圖片
Arnaud Pannatier
#Arnaud Pannatier從2020年3月在導師François Fleuret的機器學習小組開始攻讀博士學位。
他最近開發了HyperMixer，使用超級網路讓MLPMixer能夠處理各種長度輸入。這使得模型能夠以一種排列不變的方式處理輸入，並證明了它給了模型一種隨著輸入長度線性擴展的注意力行為。
在EPFL，他先後獲得了物理學學士學位和電腦科學與工程碩士學位（CSE-MASH）。
以上是擴散模型攻克演算法難題，AGI不遠了！谷歌大腦找到迷宮最短路徑的詳細內容。更多資訊請關注PHP中文網其他相關文章！
