Τα προεκπαιδευμένα μοντέλα διάχυσης έχουν αναδειχθεί ως ισχυροί γενετικοί προγενέστεροι για την άνευ όρων και υπό όρους παραγωγή δειγμάτων. Ωστόσο, οι παραγόμενες έξοδοί τους συχνά αποκλίνουν από τα χαρακτηριστικά των δεδομένων-στόχων που καθορίζονται από τον χρήστη. Τέτοιες αποκλίσεις είναι ιδιαίτερα προβληματικές σε εργασίες προσαρμογής τομέα, όπου διατίθενται μόνο λίγα παραδείγματα αναφοράς και η επανεκπαίδευση του μοντέλου διάχυσης καθίσταται ανέφικτη. Οι υφιστάμενες μέθοδοι καθοδήγησης κατά τον χρόνο συμπερασμάτων μπορούν να προσαρμόσουν τις τροχιές δειγματοληψίας, αλλά συνήθως βελτιστοποιούν υποκατάστατους στόχους, όπως οι πιθανότητες ταξινομητή, αντί να ευθυγραμμίζονται άμεσα με την κατανομή-στόχο.
Προτείνεται ο μηχανισμός MMD Guidance, μια μέθοδος χωρίς εκπαίδευση, η οποία ενισχύει την αντίστροφη διαδικασία διάχυσης με κλίσεις της Maximum Mean Discrepancy (MMD) μεταξύ των παραγόμενων δειγμάτων και ενός συνόλου δεδομένων αναφοράς. Η MMD παρέχει αξιόπιστες εκτιμήσεις κατανομής από περιορισμένα δεδομένα, παρουσιάζει χαμηλή διακύμανση στην πράξη και είναι αποτελεσματικά διαφοροποιήσιμη, καθιστώντας την ιδιαίτερα κατάλληλη για την εργασία καθοδήγησης.
Το πλαίσιο αυτό επεκτείνεται φυσικά στην προσαρμογή με επίγνωση προτροπής σε μοντέλα υπό όρους παραγωγής μέσω πυρήνων προϊόντος. Επιπλέον, μπορεί να εφαρμοστεί με υπολογιστική αποδοτικότητα σε μοντέλα λανθάνουσας διάχυσης (LDMs), καθώς η καθοδήγηση εφαρμόζεται στον λανθάνοντα χώρο του LDM. Πειράματα σε συνθετικά και πραγματικά σημεία αναφοράς αποδεικνύουν ότι το MMD Guidance μπορεί να επιτύχει ευθυγράμμιση κατανομής διατηρώντας παράλληλα την πιστότητα των δειγμάτων. Ο κώδικας του έργου είναι διαθέσιμος στη διεύθυνση github.com/matinamehdizadeh/MMD-Guidance.
arXiv:2601.08379v2
