لقد اكتسبت نماذج التشتت شهرة كخوارزميات قوية لتصنيع صور عالية الجودة. ويعتبر عملية التشتت، وهي مجموعة من المعادلات التي تحول البيانات إلى ضوضاء بطريقة يمكن أن تؤثر بشكل كبير على الأداء، عنصراً مركزياً في هذه الخوارزميات. في هذا البحث، نستكشف ما إذا كانت عملية التشتت يمكن تعلّمها من البيانات. ويُبنى عملنا على الاستدلال بايزي، ونهدف إلى تحسين تقدير الاحتمال اللوغاريتمي من خلال اعتبار عملية التشتت المُعلَّمة كمُوزّع تبايني تقريبي يُنتج حدّاً سفلياً أضيق (ELBO) للإحتمال. وغالباً ما يُفترض أن ELBO لا يتأثر بعملية الضوضاء، ولكن عملنا يُنفي هذا الافتراض، ويناقش مُقترحًا جديدًا يُسمى "الضوضاء التكيفية المتعددة المتغيرات" (MULAN)، وهو عملية تشتت مُعلَّمة تُطبّق الضوضاء بمعدلات مختلفة عبر الصورة. وبشكل خاص، تعتمد طريقة العمل لدينا على جدول ضوضاء متعدد المتغيرات، وهو دالة تعتمد على البيانات، لضمان أن يكون ELBO غير ثابت بالنسبة لاختيار جدول الضوضاء، على عكس ما كان عليه الحال في الدراسات السابقة. من الناحية التجريبية، يُحقّق MULAN حالة متقدمة جديدة في تقدير الكثافة على مجموعتي بيانات CIFAR-10 وImageNet، ويقلّل من عدد خطوات التدريب بنسبة 50٪. نوفر الشيفرة البرمجية، بالإضافة إلى منشور مدونة ودليل فيديو تدريبي على صفحة المشروع: https://s-sahoo.com/MuLAN