纵观生成式AI领域中的两个主导者:自回归和扩散模型。

    一个专攻文本等离散数据，一个长于图像等连续数据。

    如果，我们让后者来挑战前者的主场，它能行吗?

    斯坦福博士的最新研究，就搞了这么一个扩散模型VS自回归模的同台PK。

    结果:

    挑战成功!（下面为生成示意图，最后得到的文本是“Hello world，Iam a languagediffusionmodel，namedSEDD”）

    并且他们的扩散模型在困惑度和质量上已率先超越自回归的GPT-2。

    赶紧来瞧瞧。

    用自回归来处理离散文本数据，即根据之前的token来预测下一个token，这可能是目前我们能想象到的最简单可行的方法。

    为什么这么说?

    作者在这里用GAN举了个例子:

    对于图像生成，GAN首先根据随机噪声生成图像，然后使用判别器来“惩罚”偏差，因此梯度信息可以反向传播到生成器。

    但如果我们假设用GAN来生成文本，就行不通了。

    因为尽管我们可以定义同样原理的生成器和判别器，但文本的离散性质使得更新生成器非常难。

    （图像是连续的，因此可以通过反向传播来计算梯度，但文本是一堆无法区分的离散值，计算梯度信号相当繁琐，基本只能粗略估计）

    所以说，文本建模领域基本成了自回归的天下（如transformer的发扬光大就是基于自回归模型）。

    不过，这个架构也有根本性的缺陷:

    最有名的“批评”来自Lecun，他就认为自回归transformer“注定要失败”，因为生成会“偏离”数据分布并导致模型在采样过程中发散。

    除此之外，自回归架构的采样也具有高度迭代性，这对为并行计算而高度优化的GPU来说也不够match。

    最后，由于这类架构的模型都是按照从左往右地完成任务，因此一次执行多个控制任务也很困难（例如补充给定了前缀和后缀的文本）。

    正是这些缺点促使作者开始构思另一种概率模型，因此有了本文的主角:

    分数熵离散扩散模型（SEDD，Score Entropy Discrete Diffusion）。

    简单来说，为了将扩散模型扩展到离散空间，就必须将“分数函数”（也就是对数概率的梯度）概念推广到离散空间。

    幸运的是，有一种替代方案可以呈现具体分数，即概率的局部比率。

    如下图所示，左边为分数函数，它直观地“指向”连续空间中的较高密度区域，具体分数（右）将其推广到离散空间。

    这些具体的比率（分数）可以通过得分熵(score entropy)损失函数来学习，从而实现离散扩散模型的快速、可扩展训练。

    在这之中，由于作者只知道可以使用得分熵从数据中学习具体得分（对应于学习概率模型），但仍然不知道如何生成样本。

    因此还借用了扩散模型的核心思想，并使用学习到的具体分数将随机值迭代地去噪为数据点。

    为此，他们还定义了向离散文本样本中“添加噪声”的含义:

    对于连续空间，这是通过添加高斯噪声自然产生的，但在离散空间中，则是被迫直接在不同元素之间“跳跃”。

    而最终，他们的SEDD模型通过学习将样本不断迭代去噪为文本，完成从纯随机输入生成文本的任务。

    总的来看，与自回归模型相比，该扩散模型可以在生成过程中利用完整的全局上下文，从而获得更好的整体生成效果。

    对比起来，自回归模型特别是像GPT-2这样的会发生“漂移”现象，从而破坏整体性能的稳定性。

    并且即使在较小的模型规模下，SEDD也能始终生成高质量的文本（绿框，读者很通顺），而GPT-2就比较困难(红框，一眼看上去就很多错误)。

    具体测试中，SEDD在困惑度指标上表现出了很强的竞争力:

    此外，作者还发现:

    使用更少的采样步骤，SEDD照样在控制生成质量上的表现也比GPT-2要好。

    最后，团队以完全零样本的方式从任意位置提示SEDD后发现:

    对于标准（从左到右）和非标准(填充)提示方法，SEDD都可以与最好的GPT-2解码方法一较高下。

    如下图所示:

    提示标记以蓝色表示，不管它在前面中间还是结尾，SEDD都能够生成有意义的文本。

    本研究一共3位作者:

    一作为斯坦福计算机专业博士生Aaron Lou，康奈尔本科毕业。

    二作也是该校博士生Chenlin Meng。

    她的名字不算陌生，Pika就是她（下图右）和“学妹”郭文景一起创办的。(Meng2020年入学斯坦福，郭2021年入学)

    看起来，一边创业的她也一边兼顾着学业。

    最后，通讯作者为一二作的导师Stefano Ermon，他是斯坦福计算机科学系副教授。

    论文地址:

    https://arxiv.org/abs/2310.16834

    参考链接:

    https://aaronlou.com/blog/2024/discrete-diffusion/

    https://twitter.com/aaron_lou/status/1763242384958386306?s=20