Краткое содержание

arXiv:2311.13745v4 Тип объявления: замена Аннотация: Модели диффузии стали наиболее популярным подходом к глубокому генеративному моделированию изображений в значительной степени благодаря их эмпирической производительности и надежности. С теоретической точки зрения ряд недавних работ был посвящен изучению итерационной сложности выборки при условии доступа к точной модели диффузии. В данной работе мы сосредоточены на понимании сложности обучения такой модели — сколько образцов необходимо для изучения точной модели диффузии с использованием достаточно выразительной нейронной сети? Предыдущие работы показали границы полиномиальные по размерности пространства, требуемой ошибке полного изменения (Total Variation) и ошибке Ватерштейна. Мы показываем экспоненциальное улучшение зависимости от ошибки Ватерштейна и глубины, а также улучшенные зависимости от других релевантных параметров.