স্কোর-ভিত্তিক জেনারেটিভ মডেল
স্কোর-ভিত্তিক জেনারেটিভ মডেলগুলি ডেটা ডিস্ট্রিবিউশনের গ্রেডিয়েন্ট শেখার মাধ্যমে ডেটা তৈরি করে — যে দিকটি কোনও গোলমাল নমুনাকে বাস্তব ডেটার মতো দেখায়।
ওভারভিউ
This score-function view unifies diffusion models with stochastic differential equations and underpins many modern image generators.
গভীর ডুব
সরাসরি মডেলিং সম্ভাবনার পরিবর্তে, স্কোর-ভিত্তিক মডেলগুলি স্কোর শিখে: ইনপুট সাপেক্ষে লগ-সম্ভাব্যতার ঘনত্বের গ্রেডিয়েন্ট। একটি নমুনাকে এর সম্ভাবনা বাড়ানোর জন্য কোন উপায়ে ধাক্কা দিতে হবে তা জানা নতুন ডেটা তৈরি করার জন্য যথেষ্ট। Yang Song এবং Stefano Ermon-এর 2019 এর কাজ ডিনোইসিং স্কোর ম্যাচিং ব্যবহার করে অনেক নয়েজ লেভেল জুড়ে এই স্কোর অনুমান করার জন্য একটি নেটওয়ার্ককে প্রশিক্ষিত করেছে, তারপর ল্যাঙ্গেভিন ডাইনামিকসের সাথে নমুনা তৈরি করেছে — বারবার স্কোরের সাথে পা বাড়াচ্ছে এবং একটু আওয়াজ যোগ করছে। তাদের 2021 স্কোর-এসডিই পেপারে দেখানো হয়েছে যে ডিফিউশন এবং স্কোর-ভিত্তিক মডেলগুলি একটি স্টোকাস্টিক ডিফারেনশিয়াল সমীকরণ দ্বারা বর্ণিত একই ক্রমাগত প্রক্রিয়ার দুটি মুখ। অত্যন্ত গুরুত্বপূর্ণভাবে, প্রতিটি SDE-এর একটি সংশ্লিষ্ট নির্ধারক 'সম্ভাব্যতা প্রবাহ' ODE থাকে যা একই প্রান্তিক ভাগ করে, সঠিক সম্ভাবনা এবং দ্রুত স্যাম্পলিং সক্ষম করে।
প্রযুক্তিগত অন্তর্দৃষ্টি
পরিষ্কার ডেটার স্কোর সরাসরি অনুমান করা কঠিন যেখানে ডেটা বিক্ষিপ্ত, তাই মডেলটিকে একাধিক স্কেলে গাউসিয়ান শব্দ দ্বারা বিরক্ত ডেটার উপর প্রশিক্ষণ দেওয়া হয়। ডিনোইসিং স্কোর ম্যাচিং একটি ট্র্যাক্টেবল টার্গেট দেয়: গোলমাল ডিস্ট্রিবিউশনের স্কোর শব্দের ভিন্নতা দ্বারা বিভক্ত শব্দের দিককে সমান করে, তাই গোলমালের পূর্বাভাস দেওয়া এবং স্কোরের পূর্বাভাস মূলত একই জিনিস। স্যাম্পলিং বিশুদ্ধ গাউসিয়ান শব্দ থেকে শুরু করে বিপরীত-সময়ের SDE (বা সমতুল্য সম্ভাব্যতা-প্রবাহ ODE) সমাধান করে।
কৌশলগত প্রভাব
গতি এবং স্কেল
ভিজ্যুয়াল এআই স্কেলে পরিদর্শন, সনাক্তকরণ এবং ট্যাগিং কাজগুলি স্বয়ংক্রিয়ভাবে করতে পারে।
পছন্দগুলি তৈরি করুন
সৃজনশীল দলগুলি কম ম্যানুয়াল সংশোধন সহ ধারণাগুলিকে দ্রুত প্রোটোটাইপ করতে পারে।
টিম এবং ওয়ার্কফ্লো
অপারেশনগুলি ইমেজ এবং ভিডিও সংকেত ব্যবহার করতে পারে যা আগে প্রক্রিয়া করা কঠিন ছিল।
স্কোর-ভিত্তিক জেনারেটিভ মডেলের ভবিষ্যত
স্কোর-এসডিই ফ্রেমওয়ার্ক হল অনেক জেনারেটিভ এআই-এর অগ্রগতির পিছনে তাত্ত্বিক ইঞ্জিন। দ্রুত সংখ্যাসূচক সমাধানকারী, আরও ভাল শব্দের সময়সূচী এবং সম্ভাব্যতা-প্রবাহ ODE কাছাকাছি-রিয়েল-টাইম প্রজন্ম এবং সঠিক সম্ভাবনা মূল্যায়নকে সক্ষম করছে। একই স্কোর-ম্যাচিং ধারণাটি চিত্রের বাইরে অডিও, আণবিক এবং প্রোটিন কাঠামোর নকশা, পয়েন্ট ক্লাউড এবং বৈজ্ঞানিক সিমুলেশনে ছড়িয়ে পড়ছে, যখন ধারাবাহিকতা এবং প্রবাহ-ম্যাচিং মডেলগুলি প্রজন্মকে মুষ্টিমেয় ধাপে সঙ্কুচিত করার জন্য এই অবিচ্ছিন্ন-সময়ের ভিত্তিগুলির উপর সরাসরি তৈরি করে।
বাস্তব-বিশ্ব বাস্তবায়ন
নয়েজ-কন্ডিশনাল স্কোর নেটওয়ার্ক (এনসিএসএন) ল্যাঙ্গেভিন গতিবিদ্যার মাধ্যমে শেখা স্কোর গ্রেডিয়েন্ট অনুসরণ করে ফটোরিয়ালিস্টিক মুখ তৈরি করে।
মেডিকেল ইমেজ পুনর্গঠন, যেমন ত্বরিত এমআরআই, যেখানে শেখা স্কোর আন্ডারস্যাম্পলড স্ক্যান ডেটা পূরণ করার আগে কাজ করে।
ড্রাগ আবিষ্কারে আণবিক এবং প্রোটিন গঠন তৈরি, স্কোর-ভিত্তিক বিস্তারের সাথে 3D পারমাণবিক কনফিগারেশনের মডেলিং।
অডিও ওয়েভফর্ম সংশ্লেষণ যেখানে স্কোর মডেলগুলি পরিচ্ছন্ন বক্তৃতা বা সঙ্গীতের দিকে মনোনিবেশ করে, যেমন ডিফিউশন-ভিত্তিক ভোকোডারগুলিতে।
ঝুঁকি এবং প্রহরী
প্রমাণ অস্পষ্ট হলে ছবির অধিকার এবং সম্মতি আইনি ঝুঁকিতে পরিণত হতে পারে।
মডেলের কর্মক্ষমতা আলো, জনসংখ্যা এবং পরিবেশ জুড়ে পরিবর্তিত হতে পারে।
আস্থার থ্রেশহোল্ডগুলি পর্যবেক্ষণ করা না হলে মিথ্যা ইতিবাচকগুলি অলক্ষিত হতে পারে।
বাস্তবায়ন রোডম্যাপ
নির্ভুলতা, প্রত্যাহার, এবং ত্রুটি খরচের জন্য গ্রহণযোগ্যতার মানদণ্ড নির্ধারণ করুন।
প্রকৃত উৎপাদন অবস্থার সাথে মেলে এমন ডেটা দিয়ে পরীক্ষা করুন।
কম-আস্থা বা উচ্চ-প্রভাব ভবিষ্যদ্বাণীর জন্য মানুষের পর্যালোচনা যোগ করুন।
মডেল ড্রিফ্ট ট্র্যাক করুন এবং ক্যামেরা বা ডেটাসেট পরিবর্তনের পরে পুনরায় যাচাই করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Score-Based Generative Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
শক্তি-ভিত্তিক মডেল
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Score-Based Generative Models?
স্কোর-ভিত্তিক জেনারেটিভ মডেলগুলি ডেটা ডিস্ট্রিবিউশনের গ্রেডিয়েন্ট শেখার মাধ্যমে ডেটা তৈরি করে — যে দিকটি কোনও গোলমাল নমুনাকে বাস্তব ডেটার মতো দেখায়। এই স্কোর-ফাংশন ভিউ স্টোকাস্টিক ডিফারেনশিয়াল সমীকরণের সাথে ডিফিউশন মডেলকে একীভূত করে এবং অনেক আধুনিক ইমেজ জেনারেটরকে আন্ডারপিন করে।
এই মডেলগুলি যে 'স্কোর' শিখেছে তা ঠিক কী?
স্কোর হল ইনপুটের সাপেক্ষে লগ ডেটার ঘনত্বের গ্রেডিয়েন্ট — এটি সেদিকে নির্দেশ করে যা একটি নমুনার সম্ভাবনা বাড়ায়।
কেন স্কোর-ভিত্তিক মডেলগুলি একাধিক স্কেলে গোলমাল সহ ডেটাতে প্রশিক্ষিত?
কম ঘনত্বের অঞ্চলে প্রকৃত স্কোর খারাপভাবে সংজ্ঞায়িত করা হয়; বিভিন্ন গোলমালের মাত্রা সহ বিরক্তিকর ডেটা সর্বত্র স্কোর মেলানো যোগ্য করে তোলে।
প্রাথমিক স্কোর-ভিত্তিক মডেলগুলি ডেটা তৈরি করতে কোন নমুনা পদ্ধতি ব্যবহার করেছিল?
ল্যাঙ্গেভিন ডাইনামিকস বারবার একটি নমুনাকে স্কোরের দিকে নিয়ে যায় এবং ছোট গোলমাল ইনজেক্ট করে, ধীরে ধীরে এলোমেলো শব্দকে বাস্তবসম্মত ডেটাতে রূপান্তরিত করে।
2021 স্কোর-এসডিই কাগজ কোন প্রধান সংযোগ স্থাপন করেছে?
গান এবং অন্যান্য. ইউনিফাইড ডিফিউশন এবং স্কোর-ভিত্তিক মডেলগুলি স্টোকাস্টিক ডিফারেনশিয়াল ইকুয়েশন ফ্রেমওয়ার্কের অধীনে, একটি ম্যাচিং ডিটারমিনিস্টিক সম্ভাব্যতা-প্রবাহ ODE সহ।
কিভাবে ভবিষ্যদ্বাণী করা গোলমাল denoising স্কোর ম্যাচিং মধ্যে স্কোর ভবিষ্যদ্বাণী সম্পর্কিত?
ডিনোইসিং স্কোর ম্যাচিং দেখায় যে স্কোর নেতিবাচক গোলমালকে নয়েজ বৈচিত্র দ্বারা ভাগ করে সমান করে, গোলমালের পূর্বাভাস এবং স্কোরের পূর্বাভাস কার্যকরভাবে একই উদ্দেশ্য করে।