机构名称：
¥ 3.0
基于得分的生成模型（SGM）在巨大的图像生成任务中取得了显着的成功，但它们的数学基础仍然受到限制。在本文中，我们分析了SGM在学习下高斯概率分布家族时的近似和概括。我们将相对于标准高斯度量的相对密度而言，引入了概率分布的复杂性概念。我们证明，如果对数相关密度可以通过一个神经网络局部近似，该神经网络可以适当地界定参数，那么经验分数与匹配的经验分布产生的分布近似于总变化的目标分布与尺寸与独立的速率。我们通过例子说明了我们的理论，其中包括某些高斯人的混合物。我们证明的一种基本要素是为与前进过程相关的真实分数函数得出无维度的深神网络近似率，这本身就是有趣的。
基于得分的生成模型破坏
主要关键词
相关文件推荐
