Échantillonneur de diffusion de débruitage par particules

Les modèles de diffusion de débruitage sont devenus omniprésents pour la modélisation générative. L'idée principale est de transporter la distribution des données vers une distribution gaussienne en utilisant une diffusion. Des échantillons approximatifs de la distribution des données sont ensuite obtenus en estimant l'inversion temporelle de cette diffusion en utilisant des idées d'appariement de scores. Nous suivons ici une stratégie similaire pour échantillonner à partir de densités de probabilité non normalisées et calculer leurs constantes de normalisation. Cependant, la diffusion inversée dans le temps est ici simulée en utilisant un schéma itératif original basé sur une nouvelle perte d'appariement de scores. Contrairement aux modèles standard de diffusion de débruitage, l'échantillonneur de diffusion de débruitage par particules (PDDS) fournit des estimations asymptotiquement cohérentes sous des hypothèses légères. Nous démontrons le PDDS sur des tâches d'échantillonnage multimodal et de haute dimension.