تجذب نماذج انتشار الاشتقاق (Score-based Diffusion Models) الانتباه بشكل متزايد في الأوساط الأكاديمية والتطبيقية، حيث حققت نجاحات ملحوظة في مختلف المجالات. ومع ذلك، تظل الضمانات الإحصائية لهذه النماذج غير متطورة بالمثل، مما يدفع الباحثين إلى البحث عن فهم أعمق حول سلوكها في المعطيات الحقيقية.

في دراستنا الحديثة، نركز على تحسين القواعد الإحصائية لهذه النماذج، كاشفين عن تأثير الهيكل البعدي المنخفض الذي يتسم به العديد من البيانات، مثل الصور الطبيعية. من خلال استخدام نموذج الاشتقاق، نقدم تحليلات جديدة تتيح لنا قياس الخطأ الناتج عن توزيع البيانات المُتعلم (Learned Distribution) في المسافات واسترنشتاين (Wasserstein) بشكل أكثر دقة.

عبر فرضيات بسيطة على عملية الانتشار الأمامية وتوزيع البيانات، نجحنا في استنتاج حدود الخطأ في البيانات المحدودة، حيث أظهرنا أن نسبة الخطأ المرتبطة بالتوزيع المُتعلم تعتمد على البعد الخاص بالبيانات، وليس على البعد الكلي للبيانات.

بالإضافة إلى ذلك، تجعل هذه النتائج نموذج الانتشار أكثر قدرة على التكيف مع هندسة البيانات الأصلية، مما يخفف من عواقب ارتفاع الأبعاد. تتقاطع نظريتنا الجديدة مع تحليلات نماذج GANs، مُقدمة إمكانية جديدة لفهم معدلات الانخفاض السريع القائمة في نقل الأمثل.

أخيرًا، يساهم مفهوم بعد واسترنشتاين (Wasserstein dimension) الجديد في توسيع فكرنا حول التوزيعات ذات الدعم غير المحدود، مما يجعل هذه الاكتشافات مثيرة للاهتمام على الصعيدين النظري والعملي.