逐步扩散：基础教程
💡
原文英文，约300词，阅读约需1分钟。
📝
内容提要
本文介绍了机器学习中扩散模型和流匹配的基础数学知识，旨在以简单易懂的方式教授扩散。教程分为五部分，涵盖扩散基本概念、随机和确定性扩散采样器的构建、流匹配相关内容，以及与更广泛文献的联系，强调实际应用中的设计选择。
🎯
关键要点
- 本文介绍了机器学习中扩散模型和流匹配的基础数学知识。
- 教程旨在以简单易懂的方式教授扩散，要求的数学和机器学习基础知识较少。
- 核心思想不需要随机微分方程（SDE）、证据下界（ELBO）、朗之万动力学或评分的概念。
- 读者只需熟悉基本概率、微积分、线性代数和多元高斯分布。
- 教程分为五部分，每部分相对独立。
- 第一部分介绍扩散的基本概念和我们要解决的问题。
- 第二和第三部分分别展示如何构建随机和确定性扩散采样器，并直观推导这些采样器如何正确逆转前向扩散过程。
- 第四部分讨论流匹配，视为扩散的推广，提供额外的灵活性。
- 最后一部分将扩散与更广泛的文献联系起来，强调实际应用中的设计选择，包括采样器、噪声调度和参数化。
➡️
