Diffúziós modell (Diffusion Model)

A diffúziós modell egy generatív gépi tanulási technika, amely úgy tanul meg új tartalmat, például képet, hangot vagy videót létrehozni, hogy megtanulja fokozatosan eltávolítani a zajt egy teljesen véletlenszerű, zajos bemenetből. A módszer neve onnan ered, hogy a tanítás során a modell azt figyeli meg, hogyan "oszlik szét" egy valódi adat apró lépésekben hozzáadott zaj hatására, majd megtanulja ezt a folyamatot megfordítani.

A működés két fő szakaszból áll. Az előre irányuló folyamatban a modell rengeteg valódi példán, például fotón megtanulja, hogyan néz ki egy kép, amikor egyre több zajt adunk hozzá, egészen addig, amíg tiszta, struktúra nélküli zaj marad. A visszafelé irányuló folyamatban a modell egy neurális hálózat segítségével lépésenként megbecsüli, hogyan lehet a zajos képből egy kicsit kevésbé zajos, valósághűbb változatot előállítani. Ezt a lépést sokszor, tipikusan több tucatszor vagy százszor megismételve a kezdeti tiszta zajból fokozatosan egy koherens, részletes kép vagy más típusú tartalom bontakozik ki.

A diffúziós modellek jelentőségét az adja, hogy stabilabb tanítást és gyakran magasabb minőségű, változatosabb kimeneteket eredményeznek, mint a korábban elterjedt generatív módszerek, például a generatív ellenfél-hálózatok. Ennek köszönhetően ma a szöveg alapján képet, videót vagy hangot generáló rendszerek jelentős része diffúziós architektúrára épül, és a szöveges leírás (prompt) a folyamat egy vezérlő feltételeként irányítja, milyen tartalom bontakozzon ki a zajból.

Hátrányuk, hogy a sok lépésben végzett zajmentesítés miatt számításigényesebbek és lassabbak lehetnek, mint néhány alternatív módszer, ezért kutatók folyamatosan dolgoznak a lépésszám csökkentésén és a mintavételezés felgyorsításán, hogy a modellek gyorsabban, de hasonló minőségben tudjanak tartalmat előállítani.