Intrinsic-Hybrid Latent Diffusion Models for Generative Modeling on Unknown Manifolds
यह शोध पत्र इंट्रिन्सिक हाइब्रिड लेटेंट डिफ्यूजन मॉडल (ILDM) को प्रस्तुत करता है, जो एक ऐसा जनरेटिव फ्रेमवर्क है जो लेटेंट स्पेस को एक रीमैनियन मैनिफोल्ड के रूप में व्याख्यायित करके और स्थानीय अनिश्चितता के आधार पर यूक्लिडियन और ज्योमेट्री-अवेयर डायनेमिक्स के बीच गतिशील रूप से स्विच करने वाली एक हाइब्रिड डिफ्यूजन प्रक्रिया को नियोजित करके मानक और लेटेंट डिफ्यूजन मॉडलों की सीमाओं को दूर करता है, जिससे सीमित डेटा के साथ अज्ञात मैनिफोल्ड्स पर बेहतर जनरेशन गुणवत्ता प्राप्त होती है।
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
कल्पना कीजिए कि आप एक रोबोट को बिल्ली का चित्र बनाना सिखाने की कोशिश कर रहे हैं। आप उसे हजारों तस्वीरें दिखाते हैं, और अंततः, वह एक रोएंदार बिल्ली का रेखाचित्र बनाना सीख जाता है। लेकिन क्या होगा यदि आप उसे केवल कुछ ही तस्वीरें दिखाएं? रोबोट भ्रमित हो सकता है, जिससे वह पंजों के बजाय तीन सिर या पहियों वाली बिल्ली बना देगा। यह आर्टिफिशियल इंटेलिजेंस में "जेनरेटिव मॉडलिंग" (generative modeling) की चुनौती है: कंप्यूटर को नई, वास्तविक डेटा (जैसे चित्र या ध्वनियाँ) बनाना सिखाना जब उनके पास अध्ययन करने के लिए उदाहरणों का विशाल पुस्तकालय न हो।
इस समस्या को हल करने के लिए, वैज्ञानिक अक्सर "डिफ्यूजन" (diffusion) नामक एक चतुर तरकीब का उपयोग करते हैं। इसे उलटे तरीके से खेले जाने वाले "टेलीफोन" के खेल की तरह समझें। पहले, आप एक स्पष्ट तस्वीर लेते हैं और धीरे-धीरे उसमें 'स्टैटिक नॉइज़' (static noise) जोड़ते हैं जब तक कि वह एक धुंधले, धूसर ढेर जैसा न दिखने लगे। फिर, आप एक कंप्यूटर को उल्टा खेल खेलने के लिए प्रशिक्षित करते हैं: धूसर शोर से शुरू करते हुए, वह चरण-दर-चरण शोर को हटाना सीखता है जब तक कि एक स्पष्ट छवि उभर कर सामने न आ जाए। आमतौर पर, ये कंप्यूटर एक सपाट, ग्रिड जैसी दुनिया (जिसे "यूक्लिडियन स्पेस" कहा जाता है) में काम करते हैं, जहाँ ऊपर हमेशा ऊपर होता है और बाएँ हमेशा बाएँ होते हैं। लेकिन वास्तविक दुनिया का डेटा, जैसे कि मानव चेहरे का आकार या कार का घुमाव, अक्सर एक मुड़ी हुई, तह लगी सतह (एक "मैनिफोल्ड" या manifold) पर रहता है जो एक सपाट ग्रिड में ठीक से फिट नहीं बैठता। यदि आप एक मुड़े हुए कागज पर सपाट मानचित्र का उपयोग करके चलने की कोशिश करते हैं, तो आप खो जाएंगे। यह शोध पत्र इस समस्या पर काम करता है कि इन AI रोबोटों को उन मुड़े हुए, अदृश्य सतहों पर नेविगेट करना कैसे सिखाया जाए, विशेष रूपकर तब जब उनके पास सीखने के लिए केवल कुछ ही तस्वीरें हों।
इस अध्ययन के पीछे के शोधकर्ता, यीज़ु वांग, मू निउ और शियाओचेन यांग, इंट्रिन्सिक हाइब्रिड लेटेंट डिफ्यूजन मॉडल (ILDM) नामक एक नई प्रणाली पेश करते हैं। उनका मुख्य निष्कर्ष यह है कि AI द्वारा उपयोग किए जाने वाले छिपे हुए "मानचित्र" को एक सपाट ग्रिड के बजाय एक लचीली, घुमावदार सतह के रूप में मानकर, रोबोट कम तस्वीरों से बहुत बेहतर सीख सकता है। उन्होंने पाया कि AI का मानचित्र हर जगह सटीक नहीं होता; कुछ स्थानों पर, वह डेटा के बारे में बहुत आश्वस्त होता है, लेकिन अन्य स्थानों पर (प्रशिक्षण तस्वीरों से दूर), वह डगमगाता और अनिश्चित होता है।
इसे संभालने के लिए, ILDM एक "हाइब्रिड" रणनीति का उपयोग करता है, जो यात्रा के दो अलग-अलग तरीकों वाले एक हाइकर (पर्वतारोही) की तरह है। जब हाइकर एक सुপরিচিত, सुरक्षित रास्ते पर होता है (कम अनिश्चितता वाला क्षेत्र), तो वे जमीन के आकार का सम्मान करते हुए वक्रों के साथ सावधानी से चलते हैं। यह मॉडल का रीमानियन (Riemannian) हिस्सा है, जहाँ AI डेटा की प्राकृतिक ज्यामिति का अनुसरण करता है। लेकिन यदि हाइकर एक धुंधले, अज्ञात जंगल में भटक जाता है (उच्च अनिश्चितता वाला क्षेत्र जहाँ मानचित्र अविश्वसनीय है), तो वे फंसने या खाई में गिरने से बचने के लिए एक सरल, सीधी रेखा में चलने वाली शैली (यूक्लिडियन डायनेमिक्स) में बदल जाते हैं। मॉडल लगातार अपने आत्मविश्वास की जांच करता रहता है: यदि वह अनिश्चित है, तो वह सुरक्षित, सीधी-रेखा वाली शैली में बदल जाता है; यदि वह आश्वस्त है, तो वह डेटा के घुमावों के साथ चलता है।
यह पेपर वर्तमान मॉडलों में उपयोग किए जाने वाले मानक दृष्टिकोण के विरुद्ध तर्क देता, जो यह मानते हैं कि छिपा हुआ मानचित्र हमेशा सपाट होता है और इन घुमावों को अनदेखा करते हैं। लेखक सुझाव देते हैं कि यह "सपाट मानचित्र" वाला अनुमान AI को गलतियाँ करने का कारण बनता है, विशेष रूप से जब डेटा कम होता है। वे इस विचार को भी खारिज करते हैं कि हमें डेटा की सतह के सटीक आकार को पहले से जानने की आवश्यकता है; इसके बजाय, उनका मॉडल एक संभाव्य डिकोडर (probabilistic decoder) का उपयोग करके चलते-चलते ही आकार और अनिश्चितता को सीख लेता है।
अपने प्रयोगों में, टीम ने तीन अलग-अलग डेटा सेट पर इस नई प्रणाली का परीक्षण किया: एक घूमती हुई "लकी कैट" खिलौना (COIL-100 डेटासेट से), हाथ से लिखे गए नंबरों का एक छोटा संग्रह (MNIST), और हृदय स्कैन की छवियां (कार्डियक एमआरआई)। उन्होंने नई छवियां उत्पन्न करने की प्रक्रिया का अनुकरण किया और पाया कि उनका हाइब्रिड मॉडल मानक मॉडलों की तुलना में काफी बेहतर परिणाम देता है। विशेष रूप रूप से, नया मॉडल अधिक यथार्थवादी छवियां बनाता है और उनमें विकृति कम होती है, जो FID और LPIPS नामक मानक गुणवत्ता परीक्षणों में कम स्कोर करती है। लेखकों ने कंप्यूटर सिमुलेशन और तुलनाओं के माध्यम से इस सफलता को मापा, यह दिखाते हुए कि AI को अपनी निश्चितता के आधार पर "घुमावदार" और "सीधी" चाल के बीच स्विच करने की अनुमति देकर, वह कम उदाहरण देखने के बावजूद उच्च-गुणवत्ता वाली छवियां उत्पन्न कर सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।