এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
স্টোকাস্টিক ট্রান্সফরমেশন
গাণিতিক প্রক্রিয়া যা ডেটাতে ধারাবাহিক এলোমেলো রূপান্তর প্রয়োগ করে, ল্যাটেন্ট স্পেসে সম্ভাব্যতা বন্টনের মধ্যে নিয়ন্ত্রিত রূপান্তর অনুমোদন করে।
স্কোর মডেল
নিউরাল নেটওয়ার্ক আর্কিটেকচার যা লগ-সম্ভাব্যতা ক্ষেত্রের গ্রেডিয়েন্ট ভবিষ্যদ্বাণী করতে শেখে, স্টোকাস্টিক ডিফিউশন প্রক্রিয়াগুলি বিপরীত করতে ব্যবহৃত হয়।
রিভার্স ডিফিউশন প্রক্রিয়া
প্রতিগামী পর্যায় যা ডেটাকে পুনরাবৃত্তিমূলকভাবে ডিনয়েজ করতে শেখে, অনুমানকৃত স্কোর গ্রেডিয়েন্ট ব্যবহার করে শব্দ থেকে মূল নমুনা পুনর্গঠন করে।
ফোকার-প্ল্যাঙ্ক সমীকরণ
আংশিক ডেরিভেটিভ সমীকরণ যা ডিফিউশন প্রক্রিয়ায় সম্ভাব্যতা ঘনত্বের সময়গত বিবরণ বর্ণনা করে, এসডিইকে সরাসরি বন্টনগত গতিবিদ্যার সাথে সংযুক্ত করে।
অর্নস্টেইন-উলেনবেক প্রক্রিয়া
গড়ে ফেরত সহ স্থির স্টোকাস্টিক প্রক্রিয়া, মৌলিকভাবে ডিফিউশন মডেলগুলিতে শব্দ যোগ এবং অপসারণের গতিবিদ্যা নিয়ন্ত্রণ করতে ব্যবহৃত হয়।
ডিফিউশন রেট
স্কেলার প্যারামিটার যা প্রতিটি সময় ধাপে যোগ করা শব্দের তীব্রতা নিয়ন্ত্রণ করে, স্টোকাস্টিক রূপান্তরের গতি ও স্থিতিশীলতা নির্ধারণ করে।
ক্রমাগত মার্কভ চেইন
ক্রমাগত সময় স্টোকাস্টিক প্রক্রিয়া যেখানে ভবিষ্যতের অবস্থা শুধুমাত্র বর্তমান অবস্থার উপর নির্ভর করে, ডিফারেনশিয়াল ডিফিউশন মডেলগুলির গাণিতিক ভিত্তি প্রদান করে।
স্কোর ফাংশন
ডেটার সাপেক্ষে সম্ভাব্যতা ঘনত্বের লগারিদমের গ্রেডিয়েন্ট, উচ্চ ঘনত্বের অঞ্চলের দিকে নির্দেশ করে এবং জেনারেটিভ মডেলগুলিতে শব্দের ডিকনস্ট্রাকশন নির্দেশনা দেয়।
অবিরত বিস্তার সময়
[0,1] ব্যবধানে স্বাভাবিকীকৃত একটি ইতিবাচক বাস্তব প্যারামিটার যা স্টোকাস্টিক প্রক্রিয়ার অবিরত বিবর্তনকে উপস্থাপন করে, একটি একীভূত ডিফারেনশিয়াল গঠনকে অনুমোদন করে।
অনুমানিত স্কোর গ্রেডিয়েন্ট
লগ-সম্ভাবনার গ্রেডিয়েন্টের সংখ্যাসূচক আনুমানিক যা নিউরাল নেটওয়ার্ক দ্বারা গণনা করা হয়, জটিল বন্টনে অপ্রাপ্য বিশ্লেষণাত্মক গ্রেডিয়েন্টগুলিকে প্রতিস্থাপন করে।