0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

拡散モデル入門①

Posted at

# 拡散モデル

前がき

拡散モデルの勉強のメモとして残す。
教科書として『拡散モデル』 岡野原著を使用する。
image.png

目次

1.生成モデル
2.拡散モデル
3.連続時間化拡散モデル
4.拡散モデルの発展
5.アプリケーション

前提

$\bf{x} \in \bf{X}$,訓練データ $N個 D=\{\textbf{x}^{(1)},...,\textbf{x}^{(N)}\}$ が未知の確率分布$p(\bf{x})$から互いに独立にサンプリングされている($\textbf{x}^{(i)} \in \mathbb{R}^d$, $x_i \in \mathbb{R}$)。
生成モデル $q_{\theta}(\textbf{x})$という確率分布を持つ。この確率分布はパラメータ$\theta$で特徴付けられている。

 1.1生成モデルとは?

生成モデルとは、対象ドメインのデータ生成できるモデルのことである。
生成モデルの学習の目標は、目標確率分布$p(\bf{x})$にできるだけ近い確率分布$q_{\theta}(\textbf{x})$を獲得することである。

近さを定義するには最適輸送距離やKLダイバージェンスがあり、この中ではKLダイバージェンスを用いることが多い。

1.2エネルギーベースモデル・分配関数

非負正規化確率密度関数$\gamma_\theta(\bf{x})>0$、正規化定数$Z(\theta)>0$(分配関数とも呼ばれる)を用いて生成モデルは

\displaylines{
q_{\theta}(\textbf{x})=\gamma_\theta(\bf{x})/Z(\theta) \\
Z(\theta)=\int_{\bf{x}^{'}\in \bf{X}}\gamma_\theta(\bf{x}^{'})d\bf{x^{'}}
}

で表すことができる。$Z(\theta)$は全てのデータ$\bf{x}^{'}\in \bf{X}$で積分した値であり、生成モデルが確率分布となるような役割がある。
この分配関数は取りうる全てのデータについて積分が必要であるため計算が困難である。

公開しながら書く。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?