📊 statistics

Free Denoising Diffusion Models

यह शोध पत्र फ्री ऑर्नस्टीन-उहलेनबेक प्रक्रियाओं और फ्री ऊर्जा उत्तलता (free energy convexity) का लाभ उठाकर रिवर्स-टाइम समीकरणों, स्कोर-मैचिंग उद्देश्यों और अभिसरण गारंटी (convergence guarantees) को व्युत्पन्न करके डिनोइजिंग डिफ्यूजन मॉडल्स के लिए एक फ्री-प्रोबेबिलिस्टिक ढांचे को स्थापित करता है, साथ ही संख्यात्मक प्रयोगों के माध्यम से ऑपरेटर-वैल्यूड अस्थिरता (operator-valued volatility) और स्पेक्ट्रल गैप उत्तरजीविता (spectral gap survival) का विश्लेषण भी करता है।

मूल लेखक: Swagatam Das

प्रकाशित 2026-08-10

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Swagatam Das

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

संख्याओं का संगीत: चित्र बनाने का एक नया तरीका

कल्पना कीजिए कि आप एक रोबोट को बिल्ली का चित्र बनाना सिखाने की कोशिश कर रहे हैं। रोबोट एक खाली कैनवास से शुरुआत नहीं करता; इसके बजाय, वह स्थिर शोर (static noise) के एक अराजक बादल से शुरू करता है, जैसे पुराने टीवी पर दिखने वाली धुंधली बर्फ। रोबोट का काम उस शोर को धीरे-धीरे एक स्पष्ट छवि में बदलना है। आधुनिक "डिफ्यूजन मॉडल" इसी तरह काम करते हैं: वे उस प्रक्रिया को उलटने (reverse करने) के बारे में सीखते हैं जो धीरे-धीरे संरचना को नष्ट कर देती है। मानक कंप्यूटर विज्ञान की दुनिया में, हम आमतौर पर एक छवि के पिक्सेल को स्वतंत्र संख्याओं की एक लंबी सूची के रूप में देखते हैं। हम मानते हैं कि एक पिक्सेल को बदलने से उसके पड़ोसी में कोई विशिष्ट परिवर्तन होने के लिए मजबूर नहीं होता है, ठीक वैसे ही जैसे एक सिक्के को उछालने से अगले उछाल का परिणाम नहीं बदलता।

हालाँकि, एक विशेष प्रकार का डेटा है जहाँ यह "स्वतंत्र सूची" का विचार पूरी तरह से विफल हो जाता है। एक बड़े मैट्रिक्स के आइजनवैल्यूज़ (eigenvalues) के बारे में सोचें—ये वे विशेष संख्याएँ हैं जो जटिल प्रणालियों के "आकार" या "कंपन" का वर्णन करती हैं, जैसे कि एक ड्रमहेड कैसे कंपन करता है या वित्तीय बाजार कैसे उतार-चढ़ाव दिखाता है। इन प्रणालियों में, संख्याएँ स्वतंत्र नहीं होतीं; वे एक कमरे में मौजूद लोगों की भीड़ की तरह होती हैं जो एक-दूसरे को धकेलते (repel करते) हैं। यदि एक व्यक्ति हिलता है, तो सभी अन्य लोगों को टकराव से बचने के लिए खिसकना पड़ता है। यह एक अद्वितीय प्रकार का "संगीत" या पैटर्न बनाता है जिसे मानक गणित समझाने में संघर्ष करता है क्योंकि यह संख्याओं को अलग-थलग व्यक्तियों के रूप में मानता है। यह शोध पत्र एक नई गणितीय भाषा, जिसे "फ्री प्रोबेबिलिटी" (free probability) कहा जाता है, का अन्वेषण करता है, जो इन संख्याओं को एक एकल, परस्पर जुड़े हुए इकाई के रूप में मानती है, जिससे हमें जटिल स्पेक्ट्रल पैटर्न उत्पन्न करने की अनुमति मिलती है जो पहले सटीक रूप से मॉडल करना असंभव था।

शोध पत्र: शोर को सामंजस्य में गाना सिखाना

यह शोध पत्र विशेष रूप से उस डेटा के लिए जनरेटिव एआई मॉडल बनाने का एक नया तरीका पेश करता है जो "स्पेक्ट्रल" दुनिया में रहता है—वह डेटा जो व्यक्तिगत मूल्यों की सूची के बजाय संख्याओं के सामूहिक व्यवहार द्वारा परिभाषित होता है। लेखक, स्वागतम दास, एक ऐसा ढांचा प्रस्तावित करते हैं जहाँ "शोर" जिसे रिवर्स किया जा रहा है, वह केवल यादृच्छिक स्टेटिक नहीं है, बल्कि संख्याओं का एक परिष्कृत, परस्पर क्रिया करने वाला नृत्य है।

मूल विचार: एंटी-ग्रैविटी डांस
एआई की मानक दुनिया में, जब आप डेटा में शोर जोड़ते हैं, तो आप डेटा बिंदुओं को रेत के स्वतंत्र कणों की तरह मानते हैं। यदि आप बॉक्स को हिलाते हैं, तो प्रत्येक कण बेतरतीब ढंग से चलता है। लेकिन स्पेक्ट्रल दुनिया (जैसे एक विशाल मैट्रिक्स के आइजनवैल्यूज़) में, "कण" वास्तव में चुंबक हैं जो एक-दूसरे को प्रतिकर्षित करते हैं। यदि आप उन्हें स्वतंत्र रूप से हिलाने की कोशिश करते हैं, तो आपको गलत तस्वीर मिलेगी।

दास दिखाते हैं कि इसे सही ढंग से मॉडल करने के लिए, हमें "फ्री" गणित का उपयोग करने की आवश्यकता है। एक मानक रैंडम वॉक के बजाय जहाँ कण अलग हो जाते हैं, "फ्री" संस्करण एक ऐसे नृत्य की तरह है जहाँ हर कदम पूरी भीड़ से प्रभावित होता है। पेपर सिद्ध करता है कि यदि आप इन स्पेक्ट्रल पैटर्न को उत्पन्न करना चाहते हैं, तो आपको एक विशिष्ट प्रकार की डिफ्यूजन प्रक्रिया का उपयोग करना होगा जिसे फ्री ऑर्नस्टीन–उहलेन प्रक्रिया (free Ornstein–Uhlenbeck process) कहा जाता है। इसे एक चुंबकीय क्षेत्र के रूप में सोचें जो अराजक शोर को धीरे से एक विशिष्ट, संगठित आकार में वापस खींचता है, लेकिन एक मोड़ के साथ: "खिंचाव" भीड़ के आकार पर निर्भर करता है, न कि केवल एक निश्चित लक्ष्य पर।

यह शोध पत्र किन चीजों को खारिज करता है
यह शोध पत्र बहुत स्पष्ट है कि क्या काम नहीं करता है। यह स्पष्ट रूप से दो सामान्य शॉर्टकट के विरुद्ध तर्क देता है:

"स्वतंत्र सूची" की गलती: आप आइजनवैल्यूज़ को स्वतंत्र संख्याओं की एक सूची के रूप में मानकर प्रत्येक में यादृच्छिक शोर नहीं जोड़ सकते। पेपर गणितीय रूप से सिद्ध करता है कि जबकि यह दृष्टिकोण बुनियादी सांख्यिकी (जैसे माध्य और विचरण) को सही पाता है, यह उच्च क्रम (विशेष रूप से चौथे क्षण/fourth moment) में विफल हो जाता है और डेटा के "आकार" को गलत बताता है। उदाहरण के लिए, यह भविष्यवाणी करता है कि डेटा अनंत तक फैल सकता है (full support), जबकि वास्तविक डेटा एक विशिष्ट सीमा के भीतर सीमित है। यह एक सिम्फनी का वर्णन करने की कोशिश करने जैसा है जिसमें आप प्रत्येक वाद्य यंत्र की आवाज़ को अलग-अलग सूचीबद्ध करते हैं बिना यह जाने कि वे सामंजस्य कैसे बिठाते हैं; परिणाम केवल शोर नहीं है, बल्कि एक वैध सुनाई देने वाली धुन है जो मूल रचना के साथ मौलिक रूप से बेसुरी है।
"एक-आकार-सभी-के-लिए" शोर: आप हर प्रकार के स्पेक्ट्रल डेटा के लिए एक ही सरल शोर मॉडल का उपयोग नहीं कर सकते। पेपर दिखाता है कि यदि आप एक विशिष्ट, जटिल आकार (जैसे मार्कोटो–पास्टुर नियम, जो रैंडम कोवेरिएंस मैट्रिसेस के स्पेक्ट्रम का वर्णन करता है) उत्पन्न करना चाहते हैं, तो आप सरल फ्री डिफ्यूजन से आने वाले मानक "सेमीसर्कुलर" आकार पर निर्भर नहीं रह सकते। आपको वांछित आकार बनाने के लिए एक कस्टम "ड्रिफ्ट" (एक मार्गदर्शक बल) को इंजीनियर करने की आवश्यकता है।

बड़ी खोज: संतुलन का इंजीनियरिंग (Engineering the Equilibrium)
सबसे रोमांचक खोज यह है कि जबकि मानक फ्री डिफ्यूजन केवल एक सरल "सेमीसर्कुलर" आकार (जैसे एक चिकनी पहाड़ी) उत्पन्न कर सकता है, लेखक दिखाते हैं कि आप किसी भी वांछित आकार को उत्पन्न करने के लिए एक डिफ्यूजन प्रक्रिया को डिजाइन कर सकते हैं, बशर्ते वह कॉम्पैक्ट और स्मूथ हो।

कल्पना कीजिए कि आप मिट्टी के एक ढेले को एक विशिष्ट मूर्ति में ढालना चाहते हैं। मानक विधि आपको केवल एक गेंद बनाने देती है। दास एक नए उपकरण (एक ऑपरेटर-वैल्यूड वोलैटिलिटी) के लिए एक रेसिपी प्रदान करते हैं जो आपको मिट्टी को किसी भी आकार में ढालने की अनुमति देता है, जैसे कि एक घन से लेकर एक जटिल सितारा तक। पेपर सिद्ध करता है कि लक्ष्य आकार के आधार पर "ड्रिफ्ट" (मार्गदर्शक बल) को समायोजित करके, आप एक ऐसी डिफ्यूजन प्रक्रिया बना सकते हैं जो स्वाभाविक रूप से उस सटीक आकार में स्थिर हो जाती है। इसका अर्थ है कि अब हम उच्च सटीकता के साथ जटिल स्पेक्ट्रल डेटा, जैसे कि वित्तीय सहसंबंध मैट्रिक्स या क्वांटम प्रणालियों में पाए जाने वाले पैटर्न, को उत्पन्न करने के लिए एआई मॉडल बना सकते हैं।

हम कितने आश्वस्त हैं?
यह शोध पत्र केवल अनुमान नहीं लगाता; यह इन विचारों को कठोर गणित के साथ सिद्ध करता है।

गणित: लेखक सटीक समीकरणों (जैसे फ्री फॉकर–प्लांक समीकरण) को व्युत्पन्न करते हैं जो यह वर्णन करते हैं कि शोर कैसे विकसित होता है। यह सिद्ध है कि ये बड़े मैट्रिक्स सिस्टम के सही "हाइड्रोडायनामिक लिमिट्स" हैं।
सिमुलेशन: अपने सिद्धांत का समर्थन करने के लिए, पेपर 1,200 तक के मैट्रिक्स आकार के साथ कंप्यूटर सिमुलेशन चलाता है। परिणाम दिखाते हैं कि "फ्री" मॉडल इन विशाल मैट्रिसेस के वास्तविक व्यवहार के साथ लगभग पूरी तरह से मेल खाता है, जबकि पुराने "स्वतंत्र" मॉडल उच्च-क्रम सांख्यिकी और सपोर्ट सीमाओं को पकड़ने में विफल रहते हैं।
सीखना: पेपर एक व्यावहारिक एल्गोरिदम भी प्रदर्शित करता है। यह दिखाता है कि आप "फ्री डिनोइजिंग स्कोर मैचिंग" नामक तकनीक का उपयोग करके एक न्यूरल नेटवर्क को "स्कोर" (शोर को दिशा देने का तरीका) सीखने के लिए प्रशिक्षित कर सकते हैं। सिमुलेशन में, सीखा गया यह मॉडल जटिल डेटा पैटर्न, जिनमें "स्पाइक्स" (आउटलेयर्स) शामिल हैं, को सफलतापूर्वक पुनर्गठित करने में सफल रहा, जो यह सिद्ध करता है कि यह सिद्धांत केवल कागज पर नहीं, बल्कि व्यवहार में भी काम करता है।

निष्कर्ष (The Takeaway)
यह शोध पत्र एआई के लिए एक नया द्वार खोलता है। यह हमें बताता है कि कुछ प्रकार के डेटा के लिए—विशेष रूप से वे जो संख्याओं के सामूहिक व्यवहार द्वारा परिभाषित होते हैं—हमें उन्हें स्वतंत्र सूचियों के रूप में मानना बंद करना होगा और उन्हें एक एकल, परस्पर क्रिया करने वाली प्रणाली के रूप में देखना शुरू करना होगा। फ्री प्रोबेबिलिटी के उपकरणों का उपयोग करके, हम ऐसे जनरेटिव मॉडल बना सकते हैं जो इन प्रणालियों के प्राकृतिक "प्रतिकर्षण" और सामंजस्य का सम्मान करते हैं, जिससे वित्त से लेकर क्वांटम भौतिकी तक के क्षेत्रों के लिए अधिक सटीक और शक्तिशाली एआई बनाना संभव हो जाता है। लेखक दिखाते हैं कि भले ही गणित जटिल है, लेकिन परिणाम भविष्य को उत्पन्न करने का एक स्वच्छ और अधिक सत्यपूर्ण तरीका है।

तकनीकी सारांश: फ्री डिनोइजिंग डिफ्यूजन मॉडल्स (Free Denoising Diffusion Models)

समस्या का विवरण (Problem Statement)

डिनोइजिंग डिफ्यूजन मॉडल्स आमतौर पर एक स्टोकेस्टिक प्रक्रिया को उलटकर नमूने (samples) उत्पन्न करते हैं जो धीरे-धीरे डेटा को दूषित करती है। शास्त्रीय सेटिंग्स में, डेटा को निर्देशांकों (coordinates) के एक वेक्टर के रूप में मॉडल किया जाता है, और फॉरवर्ड प्रक्रिया एक ऑर्नस्टीन–उहलेनबेक (OU) फ्लो होती है जो गॉसियन शोर (Gaussian noise) द्वारा संचालित होती है, जहाँ आइजनवैल्यूज़ (यदि मौजूद हों) को स्वतंत्र स्केलर के रूप में माना जाता है।

हालाँकि, कई उच्च-आयामी डेटा संरचनाएं—जैसे कि सैंपल कोवेरियेंस मैट्रिसेस, ग्राम मैट्रिसेस, कर्नेल मैट्रिसेस और क्वांटम डेंसिटी ऑपरेटर्स—स्वाभाविक रूप से अपने स्पेक्ट्रल डिस्ट्रीब्यूशन (आइजनवैल्यू डिस्ट्रीब्यूशन) द्वारा लक्षित होती हैं, न कि व्यक्तिगत निर्देशांकों द्वारा। इन वस्तुओं के लिए, प्रासंगिक इनवेरियंस (invariances) यूनिटरी हैं, और सांख्यिकी (statistics) स्पेक्ट्रल होती है।

यह शोध पत्र स्पेक्ट्रल डेटा पर शास्त्रीय डिफ्यूजन मॉडल्स को लागू करने में एक मौलिक मिसस्पेसिफिकेशन (misspecification) की पहचान करता है:

कोऑर्डिनेटवाइज करप्शन विफलता (Coordinatewise Corruption Failure): आइजनवैल्यूज़ को स्वतंत्र निर्देशांकों के रूप में मानना जो स्वतंत्र गॉसियन शोर द्वारा दूषित होते हैं, एक शास्त्रीय कॉन्वोल्यूशन ( $\mu_0 * \mathcal{N}(0, v)$ ) की ओर ले जाता है। यह आइजनवैल्यूज़ के बीच के प्रतिकर्षण (repulsive nature) को पकड़ने में विफल रहता है, जो हर्मिटियन मैट्रिसेस में होता है और फ्री कॉन्वोल्यूशन ( $\mu_0 \boxplus \gamma_v$ ) से गुजरता है। शास्त्रीय मॉडल दूषित स्पेक्ट्रम के सपोर्ट (अनबाउंडेड बनाम कॉम्पैक्ट) और उच्च-क्रम मोमेंट्स (विशेष रूप से चौथे मोमेंट) की गलत भविष्यवाणी करता है।
डायमेंशनलिटी मिसमैच (Dimensionality Mismatch): $N \times N$ मैट्रिसेस पर सटीक मैट्रिक्स डिफ्यूजन चलाने के लिए $N^2$ -आयामी स्कोर फंक्शन का अनुमान लगाने की आवश्यकता होती है। यूनिटरीली इनवेरिएंट डेटा के लिए, स्कोर एक एकल स्केलर फंक्शन (फ्री स्कोर) द्वारा निर्धारित होता है, जिससे मैट्रिक्स दृष्टिकोण कम्प्यूटेशनल रूप से व्यर्थ हो जाता है।

शोध प्रश्न यह है: जब डेटा एक सेल्फ-एडजॉइंट ऑपरेटर हो और उसका लॉ (law) एक स्पेक्ट्रल मेजर हो, तो डिनोइजिंग डिफ्यूजन के लिए सही गणितीय ढांचा क्या है?

कार्यप्रणाली (Methodology)

लेखक फ्री प्रोबेबिलिटी थ्योरी (वोइलेस्कु) पर आधारित एक ढांचा विकसित करते हैं, जो शास्त्रीय संभाव्यता अवधारणाओं को उनके फ्री समकक्षों से बदल देता है:

डेटा प्रतिनिधित्व (Data Representation): डेटा एक $W^*$ -प्रोबेबिलिटी स्पेस $(\mathcal{A}, \tau)$ में एक सेल्फ-एडजॉइंट ऑपरेटर $X$ है, जिसका लॉ इसके स्पेक्ट्रल डिस्ट्रीब्यूशन $\mu_X$ द्वारा परिभाषित है।
फॉरवर्ड प्रोसेस (Forward Process): फॉरवर्ड करप्शन को एक फ्री ऑर्नस्टीन–उहलेनबेक (OU) डिफ्यूजन के रूप में मॉडल किया गया है:
$dX_t = -\frac{1}{2}\beta(t)X_t dt + \sqrt{\beta(t)} dS_t$
जहाँ $S_t$ एक फ्री ब्राउनियन मोशन है। स्पेक्ट्रल मार्जिनल्स $\mu_t$ एक नॉनलोकल फॉकर–प्लांक समीकरण (complex Burgers प्रकार का) हल करते हैं:
$\partial_t \psi_t = \frac{1}{2}\beta(t) \partial_x(x\psi_t) - \beta(t) \partial_x(\psi_t H_{\mu_t})$
यहाँ, $H_{\mu_t}$ , स्पेक्ट्रल डेंसिटी का हिल्बर्ट ट्रांसफॉर्म है, जो स्पेक्ट्रल मास के बीच मीन-फील्ड रिपल्शन (mean-field repulsion) का प्रतिनिधित्व करता है।
रिवर्स प्रोसेस (Reverse Process): रिवर्स-टाइम डायनेमिक्स को फ्री डिफ्यूजनों के डैब्रॉस्की (Dabrowski) टाइम रिवर्सल को विशिष्ट बनाकर प्राप्त किया गया है। रिवर्स SDE में वोइलेस्कु का कंजुगेट वेरिएबल (फ्री स्कोर) $\xi_{\mu_t} = 2H_{\mu_t}$ शामिल है:
$dY_s = \left( \frac{1}{2}\beta(T-s)Y_s - \beta(T-s)\xi_{\mu_{T-s}}(Y_s) \right) ds + \sqrt{\beta(T-s)} d\bar{S}_s$
स्कोर मैचिंग (Score Matching): एक फ्री टवीडी आइडेंटिटी (Free Tweedie identity) स्थापित की गई है, जो फ्री स्कोर को नॉन-कम्यूटेटिव सेटिंग में एक कंडीशनल एक्सपेक्टेशन से जोड़ती है:
$\xi_{\mu_Y}(Y) = \frac{1}{v} \left( Y - \mathbb{E}_{W^*(Y)}[\sqrt{\alpha}X_0] \right)$
यह एक सुसंगत डिनोइजिंग स्कोर-मैचिंग ऑब्जेक्टिव प्रदान करता है जहाँ नेटवर्क दूषित सिग्नल से स्वच्छ सिग्नल का अनुमान लगाना सीखता है।

मुख्य योगदान (Key Contributions)

1. सैद्धांतिक ढांचा और असमानताएं (Theoretical Framework and Inequalities)

डिस्प्लेसमेंट कॉनवेक्सिटी (Displacement Convexity): शोध पत्र सिद्ध करता है कि फ्री एनर्जी फंक्शनल $F[\mu] = \frac{1}{2}\int x^2 d\mu - \chi[\mu]$ फ्री वासेरस्टीन जियोडेसिक्स के साथ 1-कॉन्वेक्स है। यह बियान-वोइलेस्कु आइसोमेट्री (Biane–Voiculescu isometry) पर निर्भर करता है, जो एक सिंगल सेल्फ-एडजॉइंट वेरिएबल के लिए फ्री वासेरस्टीन डिस्टेंस को $\mathbb{R}$ पर शास्त्रीय क्वाड्रेटिक वासेरस्टीन डिस्टेंस के रूप में पहचानता है।
फंक्शनल इनइक्वेलिटीज (Functional Inequalities): इस कॉनवेक्सिटी से, लेखक विशेष रूप से फ्री OU फ्लो के लिए फ्री लॉगरिदमिक सोबोलेव (LSI), टैलग्रांड (Talagrand), और HWI इनइक्वेलिटीज (मूल रूप से बियान, हायई-पेट्ज़-उएडा और लेडॉक्स-पोपेस्कु द्वारा) को पुनः प्राप्त करते हैं। वे एक डिसिपेशन आइडेंटिटी और एक्सपोनेंशियल कन्वर्जेंस रेट भी स्थापित करते हैं।
JKO स्कीम: फ्री जॉर्डन–किंडरलेर–ओटो (JKO) मिनिमाइज़िंग-मूवमेंट स्कीम की अस्तित्व, विशिष्टता और अभिसरण को सिद्ध किया गया है, जो फ्री फॉकर–प्लांक समीकरण के ग्रेडिएंट-फ्लो इंटरप्रिटेशन को मान्य करता है।

2. रिवर्स-टाइम डायनेमिक्स और रेगुलैरिटी (Reverse-Time Dynamics and Regularity)

इंस्टेंटेनियस रेगुलराइजेशन (Instantaneous Regularization): शोध पत्र प्रदर्शित करता है कि सेमीसर्कुलर लॉ के साथ फ्री कॉन्वोल्यूशन किसी भी प्रारंभिक लॉ को तुरंत रेगुलराइज करता है, जिससे यह सुनिश्चित होता है कि $t > 0$ के लिए सभी $t$ पर कंजुगेट वेरिएबल (फ्री स्कोर) $L^2$ में मौजूद है, भले ही प्रारंभिक लॉ एटोमिक (atomic) हो।
एक्सप्लिसिट रिवर्स ड्रिफ्ट (Explicit Reverse Drift): रिवर्स-टाइम SDE को एक स्पष्ट ड्रिफ्ट टर्म के साथ निकाला गया है जिसमें फ्री स्कोर शामिल है, जो जेनरेशन के लिए एक ठोस एल्गोरिदम प्रदान करता है।

3. ऑपरेटर-वैल्यूड वोलैटिलिटी और इक्विलिब्रियम डिज़ाइन (Operator-Valued Volatility and Equilibrium Design)

सेमीसर्कुलर इक्विलिब्रिया से परे: मानक फ्री OU फ्लो केवल सेमीसर्कुलर लॉ की ओर अभिसरित होता है। किसी भी मनचाहे स्पेक्ट्रल डिस्ट्रीब्यूशन को उत्पन्न करने के लिए, लेखक ऑपरेटर-वैल्यूड वोलैटिलिटी (स्टेट-डिपेंडेंट डिफ्यूजन कोएफिशिएंट्स) पेश करते हैं।
इक्विलिब्रियम डिज़ाइन थ्योरम: वे सिद्ध करते हैं कि किसी भी पर्याप्त नियमित कॉम्पैक्टली सपोर्टेड टारगेट लॉ $\mu^*$ के लिए, एक स्पष्ट ड्रिफ्ट $b^*$ और वोलैटिलिटी $f$ मौजूद है, ताकि $\mu^*$ डिफ्यूजन का स्टेशनरी स्पेक्ट्रल लॉ बन सके। यह विशिष्ट स्पेक्ट्रा (जैसे मार्कोविच-पास्टुर) को लक्षित करने वाले डिफ्यूजन मॉडल्स के निर्माण की अनुमति देता है।
स्ट्रक्चरल ऑब्स्ट्रक्शंस (Structural Obstructions): शोध पत्र सिद्ध करता है कि गैर-स्थिर वोलैटिलिटी के लिए, स्पेक्ट्रल फ्लो को लैम्पर्टी ट्रांसफॉर्म (Lamperti transform) के माध्यम से कांस्टेंट-कोएफिशिएंट केस में नहीं बदला जा सकता है, और न ही इसमें मानक वासेरस्टीन ग्रेडिएंट-फ्लो स्ट्रक्चर है। यह स्केलर केस में उपयोग किए गए कॉनवेक्सिटी मेथड्स की प्रयोज्यता को सीमित करता है।

4. फाइन- $N$ कंसिस्टेंसी और एल्गोरिदम (Finite- $N$ Consistency and Algorithms)

हाइड्रोडायनामिक लिमिट (Hydrodynamic Limit): फ्री फॉकर–प्लांक समीकरण को हर्मिटियन मैट्रिक्स डिफ्यूजन (डायसन सिस्टम) के आइजनवैल्यू डायनेमिक्स के नियतात्मक सीमा ( $N \to \infty$ ) के रूप में दिखाया गया है।
फाइन- $N$ एल्गोरिदम: एक ठोस एल्गोरिदम प्रस्तावित किया गया है जहाँ एक न्यूरल नेटवर्क एक स्केलर फंक्शन सीखता है जो आइजनवैल्यूज़ पर कार्य करता है (स्पेक्ट्रल डिनोइजिंग)। यह $N^2$ पैरामीटर विस्फोट से बचता है जो एंट्रीवाइज (entrywise) मॉडल्स में होता है।

परिणाम और संख्यात्मक प्रयोग (Results and Numerical Experiments)

शोध पत्र नौ संख्यात्मक प्रयोगों के माध्यम से सिद्धांत को मान्य करता है:

हाइड्रोडायनामिक लिमिट: हर्मिटियन मैट्रिक्स डिफ्यूजन ( $N=1200$ ) के एम्पिरिकल स्पेक्ट्रल डिस्ट्रीब्यूशन, फ्री फॉकर–प्लांक भविष्यवाणियों के साथ $O(N^{-1/2})$ त्रुटि के साथ मेल खाते हैं, जो सैद्धांतिक सीमा की पुष्टि करते हैं।
सपोर्ट ट्रांजिशन: शोध पत्र "गैप क्लोजिंग" घटना की सटीक भविष्यवाणी करता है जहाँ एक बाइमॉडल स्पेक्ट्रम यूनिमोडल हो जाता है, जो सेकंड-ऑर्डर कॉची कर्नेल से प्राप्त सैद्धांतिक थ्रेशोल्ड से मेल खाता है।
इनइक्वेलिटी वेरिफिकेशन: संख्यात्मक जाँच पुष्टि करती है कि फ्री LSI, टैलग्रांड, और HWI इनइक्वेलिटीज अनुमानित स्थिरांकों के साथ लागू होती हैं।
मिसस्पेसिफिकेशन प्रदर्शन: तुलना दिखाती है कि कोऑर्डिनेटवाइज (शास्त्रीय) करप्शन, हर्मिटियन मैट्रिसेस के वास्तविक स्पेक्ट्रल विकास से मेल खाने में विफल रहता है, विशेष रूप से सपोर्ट और चौथे मोमेंट के मामले में।
जेनेरेटिव परफॉरमेंस: एक सीखा हुआ स्कोर मैचिंग मॉडल सेमीसर्कुलर इक्विलिब्रियम से जटिल स्पेक्ट्रल डिस्ट्रीब्यूशन (आउटलेयर्स के साथ स्पाइक्ड कोवेरियेंस मॉडल सहित) को सफलतापूर्वक पुनर्निर्मित करता है। सीखा हुआ स्कोर एक ऑरेकल (सटीक फ्री स्कोर) के समान और कोऑर्डिनेटवाइज बेसलाइन से काफी बेहतर प्रदर्शन करता है।

महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि यह डिनोइजिंग डिफ्यूजन मॉडल्स के लिए पहला कठोर फ्री-प्रोबेबिलिस्टिक ढांचा प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

मिसस्पेसिफिकेशन को सुधारना: यह पहचानता है कि स्पेक्ट्रल डेटा को स्वतंत्र निर्देशांकों के रूप में मानना मौलिक रूप से गलत है क्योंकि मैट्रिसेस के आइजनवैल्यूज़ नॉन-कम्यूटेटिव प्रकृति के कारण स्वतंत्र रूप से डिफ्यूज होने के बजाय एक-दूसरे को प्रतिकर्षित (repel) करते हैं।
डायमेंशन इंडिपेंडेंस: यह एक जेनेरेटिव मॉडल प्रदान करता है जहाँ सीखा हुआ स्कोर एक एकल स्केलर फंक्शन है, जो मैट्रिक्स डायमेंशन $N$ से स्वतंत्र है, जो एंट्रीवाइज मॉडल्स की स्केलेबिलिटी समस्याओं को संबोधित करता है।
सैद्धांतिक गहराई: यह फ्री प्रोबेबिलिटी, ऑप्टिमल ट्रांसपोर्ट और डिफ्यूजन मॉडल्स को जोड़ता है, और जेनेरेटिव मॉडलिंग के संदर्भ में गहरे फंक्शनल इनइक्वेलिटीज (LSI, Talagrand) को पुनः प्राप्त करता है।
व्यापकता: ऑपरेटर-वैल्यूड वोलैटिलिटी के माध्यम से, यह फ्रेमवर्क को सेमीसर्कुलर लॉ से आगे बढ़ाकर किसी भी लक्षित स्पेक्ट्रल डिस्ट्रीब्यूशन तक विस्तारित करता है, जिसमें वित्त और सांख्यिकी (जैसे मार्कोविच-पास्टुर) में प्रासंगिक वितरण शामिल हैं।

लेखक वर्तमान दायरे के संबंध में विनम्र रहते हुए नोट करते हैं कि वर्तमान सिद्धांत सख्ती से सिंगल सेल्फ-एडजॉइंट वेरिएबल्स पर लागू होता है। मल्टीपल नॉन-कम्यूटिंग वेरिएबल्स के लिए विस्तार को एक ओपन प्रॉब्लम के रूप में पहचाना गया है क्योंकि मल्टीवेरिएट फॉकर–प्लांक समीकरण का अभाव है और मल्टीवेरिएट ट्रांसपोर्ट आइसोमेट्री की अनुपस्थिति है।