“`html
Геометрически направленная самооценка генеративных моделей искусственного интеллекта: расширение разнообразия, достоверности и контроля
Глубокие генеративные модели изучают непрерывные представления данных на основе ограниченного набора обучающих выборок, а для оценки их производительности часто используются глобальные метрики, такие как расстояние Фреше-Инцепшена (FID). Однако эти модели могут неоднородно проявлять свои возможности по различным областям изученного многообразия, особенно в моделях основных установок, таких как Stable Diffusion, где качество генерации может варьироваться в зависимости от условий или начального шума. Рост возможностей генеративных моделей требует более детальных методов оценки, включая метрики, оценивающие верность и разнообразие отдельно, а также человеческие оценки, учитывающие проблемы, такие как предвзятость и запоминание.
Практические решения и ценность:
– Исследователи из Google, Rice University, McGill University и Google DeepMind исследуют связь между локальной геометрией многообразий генеративных моделей и качеством сгенерированных образцов. Они используют три геометрических описателя – локальное масштабирование, ранг и сложность – для анализа многообразия предварительно обученной модели. Их результаты показывают корреляции между этими описателями и такими факторами, как эстетика генерации, артефакты, неопределенность и запоминание.
– Исследователи обсуждают непрерывные кусочно-линейные (CPWL) генеративные модели, которые включают декодеры VAE, генераторы GAN и DDIMs. Они определяют локальные геометрические описатели – сложность, масштабирование и ранг – для анализа гладкости, плотности и размерности изученного многообразия.
– Исследование исследует, как геометрические описатели, особенно локальное масштабирование, могут направлять генеративные модели на производство разнообразных и детализированных выходов. Процесс генерации может быть управляемым с помощью классификатора, чтобы максимизировать локальное масштабирование, что приводит к более четким, текстурированным изображениям с высоким разнообразием.
– Исследование представляет метод самооценки для генеративных моделей на основе геометрических описателей – локальное масштабирование, ранг и сложность – без использования обучающих данных или человеческих оценщиков.
Проверьте статью. Все права на этот проект принадлежат исследователям. Также не забудьте подписаться на наш Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам нравится наша работа, вам понравится нашaя рассылка..
Не забудьте присоединиться к нашему 48k+ ML SubReddit
Находите предстоящие вебинары по ИИ здесь
Опубликовано на MarkTechPost.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358
Попробуйте AI Sales Bot здесь. Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru будущее уже здесь!
“`
