Новый подход объединяет генеративные модели через интегралы по траекториям
Исследователи показали, что все популярные типы генеративных моделей — от диффузионных до состязательных — являются частными случаями единого «мастер-действия», что открывает путь к применению диаграммной теории возмущений.
Современный ИИ пестрит разнообразием генеративных подходов: диффузионные модели, вариационные автокодировщики, состязательные сети и модели на основе потоков. Каждая парадигма имеет собственные математические основания, что затрудняет перенос идей между ними. Однако новая работа на arXiv (2608.12438v1) предлагает концептуальный прорыв: все эти методы можно рассматривать как разные способы вычисления одного и того же «интеграла по траекториям».
Что произошло
Авторы формулируют генеративное моделирование как интеграл по траекториям, где мастер-действие объединяет все известные подходы. Ключевую роль играет формализм Мартина–Сиггии–Роуза–Янссена–де Доминисиса (MSRJD), который разделяет свободное и взаимодействующее распространение вероятности. Это позволяет применить диаграммную теорию возмущений, знакомую из квантовой теории поля, — в частности, вычислена однопетлевая поправка к свободному распространению.
Почему это важно
Унификация даёт мощный инструментарий: теперь исследователи могут заимствовать методы из квантовой теории поля для анализа и улучшения существующих генеративных моделей. Например, поправки к свободному распространению могут исправить систематические ошибки (bias) в сэмплировании. Кроме того, единый взгляд упрощает сравнение моделей и прокладывает путь к созданию гибридных архитектур, сочетающих преимущества разных парадигм.
«Мы считаем, что этот формализм откроет дорогу к систематическому улучшению генеративных моделей через петлевые поправки и пересуммирование диаграмм» — отмечается в работе.
Что дальше
Следующим шагом станет применение диаграммной теории возмущений к реальным генеративным задачам. Ожидается, что однопетлевая поправка уже может повысить качество диффузионных моделей, а дальнейшее развитие метода позволит автоматически выводить новые лосс-функции. Также открывается возможность использования ренормгруппы для масштабирования моделей на большие размерности — вопросы, которые раньше решались эвристически.
Материал подготовлен с помощью ИИ на основе открытых источников и может содержать неточности. Нашли ошибку — напишите на hello@tolk.media.