Core Concepts
협력적 확산 복구 가능성(CDRL)은 에너지 기반 모델(EBM)을 효과적으로 학습하고 샘플링하는 새로운 접근법이다. CDRL은 EBM과 MCMC 초기화 모델을 협력적으로 학습하여 샘플링 효율을 크게 향상시킨다.
Abstract
이 논문은 에너지 기반 모델(EBM)의 학습과 샘플링의 어려움을 해결하기 위해 협력적 확산 복구 가능성(CDRL)이라는 새로운 접근법을 제안한다.
CDRL은 EBM과 MCMC 초기화 모델을 협력적으로 학습한다. 초기화 모델은 MCMC 샘플링 과정을 모방하여 더 효율적인 샘플링을 가능하게 한다.
노이즈 스케줄링, MCMC 샘플링, 노이즈 분산 감소 등의 실용적인 설계 선택을 통해 EBM의 성능을 크게 향상시켰다.
CIFAR-10과 ImageNet 32x32 데이터셋에서 CDRL이 기존 EBM 접근법보다 월등한 성능을 보였다.
CDRL은 샘플링 조정 기술을 통해 더 효율적인 샘플링이 가능하다.
CDRL은 조건부 생성, 합성적 생성, 이미지 복원, 분포 외 탐지 등 다양한 응용 분야에서 효과적이다.
Stats
노이즈 수준 t에서 데이터 x0와 노이즈 ϵ을 이용해 xt+1 = ¯αt+1x0 + ¯σt+1ϵ와 yt = αt+1(¯αtx0 + ¯σtϵ)를 생성한다.
초기 샘플 ˆyt는 초기화 모델 qϕ(yt|xt+1)로부터 생성되고, 이를 EBM pθ(yt|xt+1)으로 정제한다.
Quotes
"협력적 확산 복구 가능성(CDRL)은 에너지 기반 모델(EBM)을 효과적으로 학습하고 샘플링하는 새로운 접근법이다."
"CDRL은 EBM과 MCMC 초기화 모델을 협력적으로 학습하여 샘플링 효율을 크게 향상시킨다."