نماذج الاتساق متعددة الخطوات: توليد سريع مع ضمانات نظرية

ظهرت نماذج الاتساق مؤخرًا كبديل مثير للاهتمام لنماذج الانتشار التقليدية المعتمدة على SDE. حيث تقدم تسريعًا كبيرًا في التوليد من خلال إنتاج عينات عالية الجودة في خطوات قليلة جدًا. على الرغم من نجاحها التجريبي، إلا أن التبرير النظري لسرعتها لا يزال مفقودًا. في هذا العمل، نعالج هذه الفجوة من خلال تقديم تحليل نظري لنماذج الاتساق القادرة على تحويل المدخلات في وقت معين إلى نقاط عشوائية على طول المسار العكسي. نثبت أنه يمكن تحقيق تباين KL من الرتبة O (²) باستخدام فقط O ( (d) ) تكرارات مع حجم خطوة ثابت. بالإضافة إلى ذلك، تحت فرضيات الحد الأدنى على توزيع البيانات (الحالة غير السلسة) وهي إعداد تزداد شيوعًا في تحليلات نماذج الانتشار الأخيرة، نثبت أن ضمان تباين KL مماثل يمكن الحصول عليه، مع عدد الخطوات المتزايد كـ O (d (d) ). بالإضافة إلى ذلك، نقدم تحليلًا نظريًا لتقدير مثل هذه النماذج، ونستنتج أن التعلم الدقيق ممكن باستخدام خطوات تمييز صغيرة، سواء في الإعدادات السلسة أو غير السلسة. ومن الجدير بالذكر أن نتائجنا للحالة غير السلسة تحقق معدلات تلاقي هي الأفضل في فئتها مقارنة بالتحليلات المعتمدة على SDE أو ODE تحت فرضيات الحد الأدنى.