今天的内容有点烧脑但绝对干货满满!
谷歌的一位大佬科学家 Peyman Milanfar 爆料了一个惊人的秘密:
有一个公式,让所有扩散模型成为可能。
这个公式的名字叫做 Tweedie 公式。
看到这个公式,估计很多同学已经开始头晕眼花了。
让我一步步来解密这个神奇的公式。
首先,我们假设 x 是 u 的一个带噪声版本,其中噪声 e 服从均值为0,方差为 σ² 的高斯分布。
所以我们有:
x = u + e
现在的问题是,如何从这个带噪声的 x 中恢复出原始的 u 呢?
按理说,我们需要知道 P(u|x),也就是已知 x 的情况下 u 的概率分布。但是 Tweedie 公式告诉我们,只需要知道 P(x) 就够了!
这就好比你在玩一个猜数字的游戏。本来你以为需要知道对方心里想的是什么数字,但其实只要知道对方说出的数字就能反推出他心里的数字。是不是感觉有点玄学?
Peyman 进一步解释道:
Tweedie 是连接评分函数和 MMSE 去噪残差的关键。
他给出了一个更详细的公式:
σ²∇logP(x) = σ²∇P(x)/P(x) = E[u|x] - x
看起来更复杂了?
别慌!这里的关键在于 E[u|x],这是一个特定的、通常难以获得的去噪器。
所以,我们用深度学习模型(比如 UNet)来替代它。
就这么简单!
现在,让我们来看看这个公式背后的有趣历史。
Tweedie 公式的诞生颇具戏剧性。Tweedie 本人并没有公开发表这个结果,而是私下通过一封信告诉了 Robbins。1956 年,Robbins 发表了这个结果,并将功劳归于 Tweedie。
有意思的是,这个公式在 1961 年被 Miyasawa 重新发现。这种"重复发现"在科学史上并不罕见,往往意味着这个发现确实有其重要性。
Maurice Tweedie,这个公式的始作俑者,是一位杰出的统计学家。他在统计学的多个领域都有重要贡献,而这个以他名字命名的公式,无疑是他最著名的成果之一。
那么,Tweedie 公式对我们普通开发者有什么意义呢?
最后,回到 Peyman 的原话:
有一个公式让所有扩散模型成为可能:Tweedie's
这句话确实道出了 Tweedie 公式在扩散模型中的核心地位。
它就像是扩散模型的"秘方",也许你可能看不懂这个"菜谱",但每次你使用扩散模型时,都在间接地用到这个公式。
你有理解到这个"秘方"的神奇吗?
文章来源于“AGl Hunt”,作者“JJJohn ”