PaddingFlow: تحسين التدفقات المعيارية باستخدام الضوضاء ذات الأبعاد المضافة

يُعد التدفق الطبيعي (Normalizing flow) نهجًا لنمذجة التوليد يمتاز بالعينة الفعالة. ومع ذلك، تعاني نماذج التدفق من مشكلتين رئيسيتين: أولاً، إذا كانت التوزيع المستهدف يشكل منحنىً (manifold)، فقد يؤدي عدم التوافق بين أبعاد التوزيع الخفي المستهدف وتوزيع البيانات إلى أداء ضعيف في نماذج التدفق. ثانيًا، قد تؤدي البيانات المنفصلة (discrete data) إلى انهيار نماذج التدفق إلى مزيج مُبهم من كتل نقطية (degenerate mixture of point masses). لتجاوز هاتين المشكلتين، نقترح "PaddingFlow"، وهي طريقة جديدة لمعالجة التمييز (dequantization)، تعزز نماذج التدفق الطبيعي من خلال إضافة ضوضاء في أبعاد مُضافة (padding-dimensional noise). لتنفيذ PaddingFlow، لا يتطلب الأمر سوى تعديل بعد نماذج التدفق الطبيعي، مما يجعل طريقة التحويل سهلة التنفيذ وذات تكلفة حسابية منخفضة. علاوةً على ذلك، يتم إضافة الضوضاء فقط في الأبعاد المضافة، ما يعني أن PaddingFlow يمكنها إجراء عملية التمييز دون تغيير توزيع البيانات. في المقابل، تتطلب الطرق الحالية لعملية التمييز تغيير توزيع البيانات، وهو ما قد يؤدي إلى تدهور الأداء. وقد قمنا بتوثيق أداء طريقة PaddingFlow على أهم معايير التقدير غير المشروطة للتوزيعات، بما في ذلك خمسة مجموعات بيانات جدولية وأربع مجموعات بيانات صور لنماذج التشفير التلقائي التبايني (Variational Autoencoder - VAE)، بالإضافة إلى تجارب الحركة العكسية (Inverse Kinematics - IK) التي تمثل تقديرات توزيعية مشروطة. أظهرت النتائج أن PaddingFlow تحقق أداءً أفضل في جميع التجارب المذكورة في هذه الورقة، ما يدل على ملاءمتها الواسعة لمهام متنوعة. يمكن الاطلاع على الكود المصدر عبر الرابط التالي: https://github.com/AdamQLMeng/PaddingFlow.