Diffusion er en metode inden for generativ AI, der bruges til at skabe nye data ved at transformere støj til strukturerede output. Processen involverer typisk to faser: en forstyrrelsesfase, hvor data bliver gradvist tilføjet støj, og en generationsfase, hvor modellen lærer at fjerne støj for at generere nye, sammenhængende data.

Nøglebegreber i diffusion inkluderer:

• Forstyrrelsesfase: Data bliver bevidst forstyrret ved at tilføje støj, hvilket gør det svært at genkende de oprindelige mønstre.
• Generationsfase: Modellen anvender læring til at omdanne støj tilbage til et meningsfuldt output ved gradvist at fjerne støjen.
• Støj: Tilfældige data, der forvrænger de oprindelige data og gør det muligt for modellen at lære at generere nye eksempler.
• Træning: Modellen trænes på store datasæt for at lære at genkende mønstre og strukturer i dataene.

Diffusionsteknikker anvendes i forskellige applikationer, herunder billedgenerering, tekstproduktion og musikkomposition, og er kendt for at producere høj kvalitet og realistiske resultater.