May, 2024
基于得分的生成模型的可证明鲁棒性研究：一个不确定性量化的视角
Score-based generative models are provably robust: an uncertainty quantification perspective
Nikiforos Mimikos-Stamatopoulos, Benjamin J. Zhang, Markos A. Katsoulakis
TL;DR通过不确定性量化的视角，我们证明基于得分的生成模型对实际实现中的多重误差具有可靠性。利用 Wasserstein 不确定性传播定理，我们展示了有限样本近似、提前停止、得分匹配目标选择、得分函数参数化表达能力以及参考分布选择所导致的误差如何影响生成模型的质量。Wasserstein 不确定性传播定理适用于超过 $d_1$ 的积分概率度量，如总变差距离和最大平均差距。我们的方法假设最少，与流形假设无关，并避免了目标分布的绝对连续性假设。此外，我们的结果阐明了 SGM 中多个误差来源之间的权衡。