اقترح باحثون من جامعة صن يات صن وباحثون آخرون طريقة جديدة تسمى ScaleLong لمعالجة مشكلة الاستقرار أثناء التدريب على نموذج الانتشار. تعمل هذه الطريقة بشكل فعال على تخفيف عدم استقرار الميزات وتعزيز قوة النموذج في مواجهة اضطرابات الإدخال عن طريق إجراء عمليات القياس على اتصال التخطي الطويل لـ UNet. اقترح الباحثون طريقتين محددتين لتعديل معامل القياس: طريقة القياس القابل للتعلم (LS) وطريقة القياس الثابت (CS)، وقاموا بتحليل بصري لدور الميزات والمعلمات في عملية تدريب النموذج، وكذلك تأثير معامل القياس على حجم التدرج وتأثير استقرار اضطراب المدخلات. يقدم هذا البحث أفكارًا جديدة لتحسين استقرار التدريب ومتانة نماذج الانتشار.
تركز المقالة على:
اقترح باحثون من جامعة صن يات صن وباحثون آخرون نموذج الانتشار ScaleLong وأشاروا إلى أن عمليات القياس على اتصال التخطي الطويل لـ UNet يمكن أن تعمل على تثبيت تدريب النموذج. لقد وجدت الأبحاث أن تحديد معامل القياس بشكل معقول يمكن أن يخفف من عدم استقرار الميزة ويحسن من قوة النموذج في مواجهة اضطرابات المدخلات. واقترحوا طريقة القياس القابل للتعلم (LS) وطريقة القياس المستمر (CS)، والتي من خلالها يمكن تعديل معاملات القياس بشكل تكيفي لزيادة استقرار التدريب النموذجي. تلعب الميزات والمعلمات المرئية دورًا مهمًا في عملية تدريب النموذج، بينما يؤثر معامل القياس على حجم التدرج واستقرار اضطرابات الإدخال.
يعمل نموذج ScaleLong على تحسين استقرار وقوة تدريب نموذج النشر بشكل فعال من خلال تحسين اتصال التخطي الطويل لـ UNet والجمع بين أساليب القياس القابلة للتعلم وطرق القياس المستمر، ويوفر دعمًا فنيًا مهمًا لتطبيق نماذج الانتشار. يمكن للأبحاث المستقبلية استكشاف استراتيجيات قياس أفضل لزيادة تحسين أداء النموذج.