LLM推論重要度 ★10
拡散モデル内の擬似乱数ストリームは、生成品質に影響を与える学習可能な入力として機能する
Pseudorandom Streams within Diffusion Models Act as Learnable Inputs That Affect Generation Quality
https://export.arxiv.org/api/query·2026/8/3
AI要約
本研究は、拡散モデルにおける疑似乱数ストリームが学習可能な入力として機能し、生成品質に影響を与えることを示唆する。有限精度ハードウェア上では、乱数は決定論的な数値軌道として実現される。この軌道の構造は学習可能であり、最適化プロセス全体に影響を与える可能性がある。
AI要点
- 拡散モデルは確率的な入力に依存するが、ハードウェア上では擬似乱数生成器によって決定論的な数値系列が生成される。
- この決定論的な数値系列（オービット構造）は、学習可能な入力として機能し、学習と生成の品質に影響を与えることが示された。
- 生成される損失とその勾配が、各最適化ステップで消費される擬似乱数の値に依存するため、オービット構造が学習に影響する。
- 擬似乱数生成器の特性が、拡散モデルの生成品質に影響を与える構造化された入力となりうることが、MNISTとCIFAR-10データセットで実証された。
なぜ重要か
擬似乱数生成器の構造が拡散モデルの生成品質に影響を与えるという発見は、AIモデルの内部動作の理解を深め、生成品質の制御や予測可能性の向上に新たなアプローチを提供する可能性がある。