🤖 machine learning

Information-Theoretic Classifier-Free Guidance with Adaptive Schedule Optimization

यह शोध पत्र डिफ्यूजन मॉडल्स में क्लासिफायर-फ्री गाइडेंस के एडेप्टिव शेड्यूल को अनुकूलित करने के लिए एक सूचना-सैद्धांतिक ढांचे का प्रस्ताव करता है, जो स्पष्ट घनत्व अनुमान (डेंसिटी एस्टीमेशन) की आवश्यकता के बिना, रिवर्स ट्राजेक्टरी के दौरान कंडीशन कंसिस्टेंसी और सैंपल डाइवर्सिटी के बीच संतुलन को गतिशील रूप से संतुलित करने के लिए एक क्लीन एंडपॉइंट रेफरेंस का उपयोग करता है।

मूल लेखक: Haobo Chen, Xiangxiang Xu, Yuheng Bu

प्रकाशित 2026-06-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haobo Chen, Xiangxiang Xu, Yuheng Bu

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

एक बड़ी तस्वीर: "अच्छी चीज़ की अधिकता" वाली समस्या

कल्पना कीजिए कि आप एक कला शिक्षक हैं जो एक छात्र (एक कंप्यूटर प्रोग्राम जिसे डिफ्यूजन मॉडल कहा जाता है) की मदद कर रहे हैं, जो एक विशिष्ट निर्देश के आधार पर चित्र बना रहा है, जैसे कि "एक चटाई पर बैठा हुआ बिल्ली।"

छात्र एक कैनवास से शुरुआत करता है जो स्टैटिक शोर (जैसे टीवी का शोर/झिलमिलाहट) से ढका होता है। जैसे-जैसे वे काम करते हैं, वे धीरे-धीरे शोर को हटाते हैं, जिससे चित्र उभरता है। यह सुनिश्चित करने के लिए कि छात्र वास्तव में एक बिल्ली ही पेंट करे न कि कुत्ता, आप क्लासिफायर-फ्री गाइडेंस (CFG) नामक तकनीक का उपयोग करते हैं। CFG को एक "धक्के" या "नज" (nudge) के रूप में समझें।

कमजोर धक्का (Weak Nudge): छात्र एक बिल्ली पेंट करता है, लेकिन यह थोड़ा कुत्ते जैसा दिख सकता है, या रंग थोड़े गलत हो सकते हैं।
मजबूत धक्का (Strong Nudge): आप छात्र को निर्देश का पालन करने के लिए अधिक जोर देते हैं। बिल्ली एकदम सही दिखती है, लेकिन अब छात्र निर्देश का पालन करने में इतना केंद्रित हो जाता है कि वह रचनात्मक होना छोड़ देता है। वे जो भी बिल्ली पेंट करते हैं, वह बिल्कुल एक जैसी, सख्त और रोबोटिक दिखने लगती है। वे विविधता की "चमक" खो देते हैं।

समस्या: लंबे समय तक, शिक्षकों (शोधकर्ताओं) को पूरे पेंटिंग प्रक्रिया के लिए एक एकल, निरंतर "धक्के" के स्तर को चुनना पड़ता था।

यदि आप शुरुआत में बहुत ज़ोर से धक्का देते हैं, तो आप विविधता को बिगाड़ देते हैं।
यदि आप बहुत धीरे धक्का देते हैं, तो बिल्ली बिल्ली नहीं दिखती।

यह पेपर पूछता है: क्या हम पेंटिंग की प्रक्रिया के दौरान इस "धक्के" की ताकत को बदल सकते हैं, बजाय इसके कि इसे पूरी प्रक्रिया में एक समान रखा जाए?

मूल विचार: एक स्मार्ट, एडेप्टिव शेड्यूल (अनुकूलनीय समय-सारणी)

लेखक इस "धक्के" को नियंत्रित करने का एक नया तरीका प्रस्तावित करते हैं। एक स्थिर वॉल्यूम नॉब के बजाय, उन्होंने एक स्मार्ट शेड्यूल बनाया है जो पेंटिंग की प्रक्रिया के दौरान विशिष्ट क्षणों पर धक्के को कम या ज्यादा करता है।

वे इसे एक इन्फॉर्मेशन-थ्योरेटिक फ्रेमवर्क कहते हैं। सरल भाषा में, इसका मतलब है कि उन्होंने एक गणितीय "कम्पास" बनाया है जो दो चीजों को एक साथ मापता है:

निरंतरता (Consistency): क्या चित्र वास्तव में एक बिल्ली है? (क्या हमने निर्देशों का पालन किया?)
कवरेज (Coverage): क्या चित्र अभी भी एक प्राकृतिक, विविध बिल्ली की तरह दिखता है, या यह एक अजीब, सख्त रोबोट-बिल्ली है? (क्या हम मूल "असली बिल्ली" के वितरण के करीब रहे?)

"क्लीन एंडपॉइंट" मेटाफर (रूपक)

सही संतुलन खोजने के लिए, लेखक एक "क्लीन एंडपॉइंट रेफरेंस" की कल्पना करते हैं।

कल्पना कीजिए कि आपके दिमाग में एक "बिल्ली" का एक आदर्श संस्करण है। आप चाहते हैं कि अंतिम पेंटिंग इस आदर्श बिल्ली जैसी दिखे, लेकिन आप यह भी चाहते हैं कि यह एक असली, जीवित बिल्ली की तरह दिखे, न कि एक प्लास्टिक के खिलौने की तरह।

रेफरेंस (संदर्भ): आपका आदर्श लक्ष्य है: "एक ऐसी बिल्ली जो निर्देशों का पूरी तरह से पालन करती है लेकिन फिर भी जीवंत महसूस होती है।"
शेड्यूल (समय-सारणी): यह उन नियमों का समूह है कि पेंटिंग की प्रक्रिया के हर चरण में आपको उस लक्ष्य तक पहुँचने के लिए छात्र को कितनी ज़ोर से धकेलना है।

पेपर का तर्क है कि आप केवल अंतिम चित्र को देखकर यह नहीं बता सकते कि आपने अच्छा काम किया या नहीं। आपको यात्रा को देखना होगा। छात्र "शोर" से "बिल्ली" की ओर कैसे बढ़ता है, यह उतना ही महत्वपूर्ण है जितना कि अंतिम परिणाम।

उन्होंने यह कैसे किया ("ट्रैजेक्टरी" ट्रिक)

यहाँ पेचीदा हिस्सा है: कंप्यूटर को प्रक्रिया के बीच में यह नहीं पता होता कि एक असली बिल्ली का "परफेक्ट मैथ" क्या है। वह केवल शोर वाले चरणों को देखता है।

लेखकों ने इसे हल करने के लिए एक गणितीय शॉर्टकट बनाया। प्रक्रिया के हर चरण में एक "परफेक्ट प्रोबेबिलिटी" (आदर्श संभावना) की गणना करने के बजाय, उन्होंने ऐसे फॉर्मूले निकाले जो छवि द्वारा लिए गए पथ (path) को देखते हैं।

इसे पहाड़ पर चढ़ने के रूप में सोचें:

पुराना तरीका: बिना किसी मानचित्र के हर एक कदम पर पहाड़ की सटीक ऊंचाई की गणना करने की कोशिश करना (बहुत कठिन)।
नया तरीका: यह देखना कि आप किस दिशा में चल रहे हैं और अभी रास्ता कितना ढलान वाला है। इन छोटे कदमों को जोड़कर, आप पता लगा सकते हैं कि आप शिखर (परफेक्ट बिल्ली) की ओर बढ़ रहे हैं या किनारे से फिसल रहे हैं (रोबोट बिल्ली)।

यह उन्हें वास्तविक समय में "धक्के" को समायोजित करने की अनुमति देता है:

प्रारंभिक चरण (उच्च शोर): छवि केवल एक धुंधलापन है। यहाँ एक मजबूत धक्का छात्र को बहुत जल्दी एक आकार तय करने के लिए मजबूर कर सकता है (जैसे, "यह निश्चित रूप से एक बिल्ली है!"), जो उन्हें एक खराब आकार में फँसा देता है। पेपर कहता है कि यहाँ आपको कमजोर धक्का देना चाहिए।
मध्य चरण: आकार बन रहे हैं। यहाँ आपको मजबूत धक्का देने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह बिल्ली है न कि कुत्ता।
अंतिम चरण (कम शोर): विवरण जोड़े जा रहे हैं। आपको मूंछों और फर को रिफाइन करने के लिए एक चयनात्मक (selective) धक्का देने की आवश्यकता है ताकि पूरी छवि सख्त न लगे।

उन्होंने क्या पाया (परिणाम)

उन्होंने दो प्रसिद्ध आर्ट डेटासेट्स पर परीक्षण किया: ImageNet (जानवरों का वर्गीकरण) और COCO (टेक्स्ट-टू-इमेज जनरेशन)।

बेहतर संतुलन: उनके "स्मार्ट शेड्यूल" ने ऐसे चित्र बनाए जो निर्देशों का पालन करने में "स्ट्रॉन्ग कांस्टेंट नज़" (मजबूत निरंतर धक्का) जितने ही अच्छे थे, लेकिन वे बहुत अधिक विविध थे। बिल्लियाँ एक-दूसरे से अलग दिख रही थीं, ठीक वैसे ही जैसे असली बिल्लियाँ होती हैं।
"फाइव कप्स" की गलती: उन्होंने एक विजुअल उदाहरण दिखाया जहाँ एक निरंतर मजबूत धक्का "चार कप" की तस्वीर को "पांच कप" में बदल देता है क्योंकि कंप्यूटर बहुत जल्दी उत्साहित हो गया और उसने एक अतिरिक्त कप बना दिया। उनके एडेप्टिव शेड्यूल ने विवरण जोड़ने के लिए सही क्षण का इंतज़ार किया, जिसके परिणामस्वरूप कपों की सही संख्या मिली।
पैटर्न: उन्होंने एक सुसंगत पैटर्न की खोज की: सबसे अच्छा शेड्यूल शुरुआत में कमजोर, बीच में मजबूत और अंत में चयनात्मक होता है।

सारांश

यह पेपर हमें सिखाता है कि जब आप किसी AI को कुछ बनाने के लिए निर्देशित कर रहे होते हैं, तो समय (timing) ही सब कुछ है।

पूरी प्रक्रिया के दौरान "इसे सही करो!" चिल्लाने के बजाय (जो AI को रोबोटिक बना देता है), या "बस कोशिश करो" फुसफुसाने के बजाय (जो AI को भ्रमित कर देता है), सबसे अच्छा तरीका यह है कि जब AI बड़े चित्र को समझने की कोशिश कर रहा हो तो उसे धीरे से गाइड करें, जब वह मुख्य निर्णय ले रहा हो तो उसे ज़ोर से धकेलें, और अंत में बहुत सावधानी से बारीकियों को सुधारें। यह ऐसे चित्र बनाता है जो निर्देशों के प्रति सटीक भी होते हैं और प्राकृतिक विविधता से भी भरपूर होते हैं।

तकनीकी सारांश: अनुकूली शेड्यूलिंग अनुकूलन के साथ सूचना-सैद्धांतिक क्लासिफायर-फ्री गाइडेंस (Information-Theoretic Classifier-Free Guidance with Adaptive Schedule Optimization)

समस्या विवरण

डिफ्यूजन मॉडल ने जनरेटिव कार्यों में अत्याधुनिक प्रदर्शन हासिल किया है, जिसमें क्लासिफायर-फ्री गाइडेंस (CFG) सशर्त पीढ़ी (जैसे टेक्स्ट प्रॉम्प्ट या क्लास लेबल का पालन करना) को नियंत्रित करने के लिए एक मानक तंत्र के रूप में कार्य करता है। CFG सशर्त और अशर्त स्कोर अनुमानों को एक गाइडेंस वेट $w$ का उपयोग करके संयोजित करके संचालित होता है। जबकि $w$ को बढ़ाने से कंडीशन कंसिस्टेंसी (शर्त निरंतरता) और पर्सेप्चुअल क्वालिटी (प्रत्यक्ष गुणवत्ता) में सुधार होता है, यह आमतौर पर सैंपल डायवर्सिटी (नमूना विविधता) और डिस्ट्रिब्यूशनल कवरेज (वितरण कवरेज) को कम कर देता है।

रिवर्स डिफ्यूजन ट्राजेक्टरी (विपरीत प्रसार प्रक्षेपवक्र) के दौरान कंसिस्टेंसी-कवरेज ट्रेड-ऑफ को नियंत्रित करने में एक महत्वपूर्ण अंतर मौजूद है। प्रचलित धारणा CFG को एक निश्चित समय वाले 'डिस्ट्रिब्यूशनल टिल्ट' के रूप में मानती है जो गाइडेड स्कोर फील्ड द्वारा दिया गया है। हालांकि, यह शोध पत्र प्रदर्शित करता है कि CFG द्वारा प्रेरित वास्तविक वितरण केवल किसी एकल चरण में दिए गए फिक्स्ड-टाइम टिल्टेड डिस्ट्रीब्यूशन के समान नहीं है। इसके बजाय, अंतिम जनरेटेड वितरण पूरी रिवर्स ट्राजेक्टरी का संचित परिणाम होता है। फलस्वरूप, क्लीन एंडपॉइंट (स्वच्छ अंत बिंदु) पर निर्दिष्ट वांछित ट्रेड-ऑफ (उदाहरण के लिए, कंडीशन अलाइनमेंट और डेटा डिस्ट्रीब्यूशन प्रॉक्सिमिटी के बीच एक विशिष्ट संतुलन) पूरे प्रोसेस के दौरान लागू किए गए एक स्थिर गाइडेंस वेट $w$ में सीधे अनुवादित नहीं होता है। CFG को ट्यून करना कठिन बना हुआ है क्योंकि गाइडेंस शेड्यूल और अंतिम वितरण के बीच का संबंध नॉन-लोकल और इम्प्लिसिट (अंतर्निहित) है, जिससे सैंपल्स से सीधे कंसिस्टेंसी-कवरेज उद्देश्यों का अनुमान लगाना कठिन हो जाता है।

कार्यप्रणाली (Methodology)

लेखक एक सूचना-सैद्धांतिक ढांचे का प्रस्ताव करते हैं ताकि गाइडेड सैंपलर द्वारा प्रेरित वास्तविक वितरण को लक्षित करके CFG शेड्यूल्स को अनुकूलित किया जा सके।

1. सूचना-सैद्धांतिक उद्देश्य (Information-Theoretic Objective)

इस पद्धति का मुख्य आधार एक ऑब्जेक्टिव फंक्शन है जो वास्तविक CFG-प्रेरित वितरण $q^w_0(x_0|y)$ और एक "क्लीन एंडपॉइंट रेफरेंस" वितरण $q^\lambda_{0,clean}(x_0|y)$ के बीच फॉरवर्ड कुलबैक-लीब्लर (KL) डाइवर्जेंस को कम करता है।

रेफरेंस डिस्ट्रीब्यूशन: इसे $q^\lambda_{0,clean}(x_0|y) \propto p_0(x_0)p_0(y|x_0)^\lambda$ के रूप में परिभाषित किया गया है, जहाँ $\lambda$ एक रेफरेंस पैरामीटर है जो वांछित ट्रेड-ऑफ को निर्दिष्ट करता है। $p_0(x_0)$ वाला पद मूल डेटा वितरण के प्रति रेफरेंस को एंकर करता है, जबकि $\lambda$ कंडीशन कंसिस्टेंसी पर वेट को नियंत्रित करता है।
डिकंपोजिशन (विघटन): KL डाइवर्जेंस $KL(q^w_0 \parallel q^\lambda_{0,clean})$ $K L (q_{0}^{w} ∥ q_{0, c l e an}^{λ})$ को कम करने में दो व्याख्यात्मक पद शामिल हैं:
1. कंसिस्टेंसी टर्म: $-\lambda \mathbb{E}[\log p_0(y|x_0)]$ , जो कंडीशन के साथ अलाइनमेंट को पुरस्कृत करता है।
2. कवरेज टर्म: $KL(q^w_0 \parallel p_0)$ , जो मूल क्लीन डेटा डिस्ट्रीब्यूशन से विचलन को दंडित करता है।

2. ट्राजेक्टरी-लेवल एस्टीमेशन (Trajectory-Level Estimation)

चूंकि प्रेरित वितरण $q^w_0$ इम्प्लिसिट है और केवल जनरेटेड ट्राजेक्टरीज के माध्यम से उपलब्ध है, इसलिए लेखक बिना स्पष्ट डेंसिटी एस्टीमेशन के ऑब्जेक्टिव का अनुमान लगाने के लिए ट्राजेक्टरी-लेवल आइडेंटिटीज प्राप्त करते हैं।

कंसिस्टेंसी एस्टीमेटर: डी ब्रुइन-टाइप आइडेंटिटीज का उपयोग करते हुए, कंसिस्टेंसी टर्म को स्कोर डिफरेंस $s^{diff}_t = s^{con}_t - s^{un}_t$ और गाइडेड स्कोर फील्ड के डाइवर्जेंस और इनर प्रोडक्ट्स के साथ एक प्रोबेबिलिटी-फ्लो ट्राजेक्टरी के साथ इंटीग्रल के रूप में व्यक्त किया गया है।
कवरेज एस्टीमेटर: इसी तरह, कवरेज KL को ट्राजेक्टरी के साथ एक इंटीग्रल के रूप में फिर से लिखा गया है, जिससे केवल स्कोर इवैल्यूएशन ( $s^{un}_t, s^{con}_t$ ) और जनरेटेड सैंपल्स का उपयोग करके अनुमान लगाना संभव हो जाता है।
डिस्क्रीट ऑप्टिमाइजेशन: निरंतर (continuous) ऑब्जेक्टिव को सैंपलिंग ग्रिड पर डिस्क्रीट किया गया है। लेखक एक इटरेटिव ऑप्टिमाइजेशन एल्गोरिदम (SGD के समान जिसमें रिसैंपलिंग चेक शामिल है) का उपयोग करते हैं ताकि एक टाइम-डिपेंडेंट शेड्यूल $w = \{w_t\}$ को सीखा जा सके। प्रत्येक इटरेशन में, वर्तमान शेड्यूल के तहत ट्राजेक्टरीज जनरेट की जाती हैं, एक प्रपोजल अपडेट कंप्यूट किया जाता है, और अपडेट तभी स्वीकार किया जाता है जब नया शेड्यूल अनुमानित लॉस को कम करता है।

मुख्य योगदान (Key Contributions)

सैद्धांतिक ढांचा: यह पेपर स्थापित करता है कि CFG को फिक्स्ड-टाइम डेंसिटी टिल्ट के बजाय एक ट्राजेक्टरी-लेवल समस्या के रूप में अनुकूलित किया जाना चाहिए। यह क्लीन एंडपॉइंट टिल्टेड डिस्ट्रीब्यूशन और वास्तविक CFG-प्रेरित वितरण के बीच के अंतर को औपचारिक रूप देता है।
ऑब्जेक्टिव फॉर्मूलेशन: यह एक क्लीन एंडपॉइंट रेफरेंस का उपयोग करके कंसिस्टेंसी और कवरेज को संतुलित करने के लिए एक KL-आधारित ऑब्जेक्टिव पेश करता है, जो अनुमान लगाने योग्य कंसिस्टेंसी और कवरेज टर्म्स में विभाजित है।
ट्राजेक्टरी एस्टीमेटर्स: लेखक इन सूचना-सैद्धांतिक मात्राओं को सैंपल्स और स्कोर इवैल्यूएशन से सीधे अनुमानित करने के लिए फॉर्मूले प्राप्त करते हैं, जिससे स्पष्ट डेंसिटी एस्टीमेशन की आवश्यकता समाप्त हो जाती है।
अनुकूली शेड्यूलिंग अनुकूलन (Adaptive Schedule Optimization): वे नॉइज़ लेवल्स के विरुद्ध नॉन-यूनिफॉर्म गाइडेंस वेट सीखने के लिए एक एल्गोरिदम विकसित करते हैं, जो यह प्रदर्शित करता है कि इष्टतम शेड्यूल स्थिर नहीं है बल्कि रिवर्स ट्राजेक्टरी में काफी भिन्न होता है।

प्रयोगात्मक परिणाम (Experimental Results)

इस पद्धति का मूल्यांकन ImageNet-512 (EDM-XXL का उपयोग करके) और COCO टेक्स्ट-टू-इमेज (SD-XL का उपयोग करके) पर किया गया।

ImageNet-512: सीखे गए एडैप्टिव शेड्यूल्स ने कांस्टेंट गाइडेंस की तुलना में बेहतर प्रिसिजन-रिकॉल फ्रंटियर प्राप्त किया। विशेष रूप से, उन्होंने तुलनीय प्रिसिजन स्तरों पर रिकॉल (डिस्ट्रिब्यूशनल कवरेज) में सुधार किया। सर्वश्रेष्ठ एडैप्टिव शेड्यूल ने 1.45 का FID प्राप्त किया, जो हैंड-डिजाइन्ड इंटरवल गाइडेंस बेसलाइन्स (FID 1.40) के प्रतिस्पर्धी है और सबसे अच्छे कांस्टेंट गाइडेंस बेसलाइन (FID 1.83) से काफी बेहतर है।
COCO (SD-XL): मैच किए गए औसत गाइडेंस स्ट्रेंथ ( $\bar{w} = 5, 7, 9$ ) केAcross, सीखे गए शेड्यूल्स ने कांस्टेंट गाइडेंस की तुलना में लगातार उच्च CLIP स्कोर (टेक्स्ट-इमेज कंसिस्टेंसी) और कम FID (इमेज क्वालिटी) प्राप्त किया। विशेष रूप से, एडैप्टिव शेड्यूल्स ने LPIPS स्कोर (विदिन-प्रॉम्प्ट वेरिएशन) को बनाए रखा या सुधारा, जो दर्शाता है कि गुणवत्ता और कंसिस्टेंसी में लाभ विविधता की कीमत पर नहीं आए।
शेड्यूल विश्लेषण: सीखे गए शेड्यूल्स ने एक सुसंगत गुणात्मक पैटर्न प्रदर्शित किया: हाई-नॉइज़ रीजीम्स में कमजोर गाइडेंस, चुनिष्ट मिडिल-नॉइज़ रेंज में मजबूत गाइडेंस, और लो-नॉइज़ रीजीम्स में चयनात्मक गतिविधि।
एब्लेशन और विज़ुअलाइज़ेशन: स्टेज-वाइज एब्लेशन से पता चला कि हाई-नॉइज़ गाइडेंस मुख्य रूप से ग्लोबल लेआउट को बदलता है, जबकि लो-नॉइज़ गाइडेंस लोकल डिटेल्स को प्रभावित करता है। ट्राजेक्टरी विज़ुअलाइज़ेशन ने दिखाया कि स्ट्रॉन्ग कांस्टेंट गाइडेंस समय से पहले गलत संरचनाओं को "लॉक इन" कर सकता है (उदाहरण के लिए, चार के बजाय पांच कप जनरेट करना), जबकि एडैप्टिव शेड्यूल इस प्रतिबद्धता को टाल देता है, जिससे मॉडल को अस्पष्टताओं को सही ढंग से हल करने की अनुमति मिलती है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि CFG को एक स्टैटिक स्केलर कंट्रोल के रूप में मानना उप-इष्टतम (suboptimal) है क्योंकि गाइडेड रिवर्स डायनेमिक्स एक ऐसा वितरण प्रेरित करते हैं जो फिक्स्ड-टाइम टिल्टेड इंटरप्रिटेशन से मौलिक रूप से भिन्न होता है। एक क्लीन एंडपॉइंट रेफरेंस की ओर वास्तविक सैंपलर-प्रेरित वितरण को अनुकूलित करके, प्रस्तावित विधि कंडीशन कंसिस्टेंसी और डिस्ट्रिब्यूशनल कवरेज के बीच एक बेहतर ट्रेड-ऑफ प्राप्त करती है।

लेखक इस बात पर जोर देते हैं कि उनके दृष्टिकोण के लिए डिफ्यूजन मॉडल को फिर से प्रशिक्षित करने की आवश्यकता नहीं है; यह प्री-ट्रेंड मॉडल्स का उपयोग करके सैंपलिंग शेड्यूल को अनुकूलित करता है। परिणाम बताते हैं कि गाइडेंस का अनुप्रयोग का समय (timing) उसके परिमाण (magnitude) जितना ही महत्वपूर्ण है। सीखे गए शेड्यूल्स प्रकट करते हैं कि प्रभावी गाइडेंस नॉन-यूनिफॉर्म है, जो हाई-नॉइज़ स्तरों पर अत्यधिक हस्तक्षेप (जो ग्लोबल स्ट्रक्चर को बाधित करता है) से बचता है और वहां गाइडेंस पर ध्यान केंद्रित करता है जहां यह न्यूनतम व्यवधान के साथ कंडीशन अलाइनमेंट में सुधार करता है। यह CFG वेट्स की ह्यूरिस्टिक ट्यूनिंग के लिए एक सिद्धांत-आधारित, सूचना-सैद्धांतिक विकल्प प्रदान करता है।