Любопытное про диффузионки. Обосновали, почему обученные на разных подмножествах одного распределения модели при генерации с одинаковым сидом выдают одинаковые картинки. А также неожиданно снова про две фазы обучения: меморизацию и перенормировку. Идея про семантическое редактирование в пространстве шума особенно интересна. Ещё одна ICML 2026 Outstanding Paper Honorable Mention. A Random Matrix Theory Perspective on the Consistency of Diffusion Models __Binxu Wang, Jacob A. Zavatone-Veth, Cengiz Pehlevan__ Paper: https://arxiv.org/abs/2602.02908, ICML Submission Code: https://github.com/Animadversio/diffusion-consistency-rmt Review: https://arxiviq.substack.com/p/icml-2026-a-random-matrix-theory Model: N/A # TL;DR ЧТО сделали: Авторы предложили строгий математический аппарат на стыке теории случайных матриц (RMT) и глубокого обучения, который объясняет феномен согласованности (consistency) диффузионных моделей. Речь о том, почему модели, обученные на независимых непересекающихся сплитах данных, выдают поразительно похожие результаты при одинаковом сиде шума. Используя линейный суррогат диффузии и концепцию детерминированной эквивалентности, исследователи показали, что ограниченный размер выборки работает как оператор перенормировки шума, и вывели закон факторизованной дисперсии, точно предсказывающий расхождения между генерациями. ПОЧЕМУ это важно: Ранее стабильность генерации наблюдали лишь эмпирически. Данная работа строго доказывает: согласованность диффузионных моделей обусловлена общими низкоранговыми гауссовскими статистиками данных, а не банальным заучиванием (меморизацией). Это дает надежный инструмент для оценки стабильности, закладывает математический базис под воспроизводимость и показывает, какие именно спектральные характеристики датасета критичны для передачи мелких деталей. Для практиков: Для техлидов и исследователей это означает, что высокая воспроизводимость диффузионных моделей на непересекающихся датасетах — не магия, а математическая закономерность. Доказывая, что конечный размер датасета лишь сдвигает эффективный масштаб шума, авторы дают готовый фреймворк для контроля стабильности. Теперь можно рассчитать минимально необходимую плотность выборки для захвата конкретных высокочастотных признаков, что упрощает сбор датасетов и открывает путь к семантическому редактированию прямо в пространстве шума без файнтюнинга. Изучать случайные матрицы тут: https://t.me/gonzo_ML_podcasts/4431