Régularité du score et optimalité minimax en modélisation markovienne générative
par
GI-UTC
Les modèles de diffusion et de flow matching construisent une loi de données en simulant une dynamique dépendant du temps, partant d’une loi simple souvent gaussienne en grande dimension. Je présenterai ces méthodes comme des modèles génératifs dynamiques gouvernés par un générateur markovien, ce qui permet de comparer dans un même langage les champs appris dans différentes constructions.
Le but principal sera d’expliquer comment établir des vitesses minimax de génération sous des hypothèses de régularité Hölder sur la loi cible. La preuve repose sur trois ingrédients : des bornes de régularité montrant comment la régularité de la loi cible se transmet au score ou au champ générateur le long du chemin de probabilités ; une inégalité oracle pour l’apprentissage de ce champ minimisation d'un risque empirique sur une classe d’approximation (réseaux de neurones) ; enfin, une borne de stabilité qui propage l’erreur d’apprentissage jusqu’à la loi générée. Cette approche donne une analyse commune des modèles de diffusion et du flow matching, et ouvre naturellement vers un cadre plus général de "generator matching".
Travail en collaboration avec Arthur Stéphanovitch et Clément Levrard.