---
title: "基於評分的生成模型（Score-based Generative Model）"
slug: score-based-generative-model
language: zh-TW
source: https://aiterms.tw/terms/score-based-generative-model
updated_at: 2026-06-22
tags: [生成式AI, 深度學習, 機器學習, 擴散模型]
ipas_term: false
---

# 基於評分的生成模型（Score-based Generative Model）

通過學習數據分佈的梯度（評分函數）來生成數據的生成模型，使用評分匹配目標直接建模數據分佈的梯度。

## 完整說明

基於評分的生成模型（Score-based Generative Model）是一類通過學習評分函數來進行生成的模型。評分函數定義為數據分佈對數密度的梯度，即 ∇_x log p(x)。模型訓練的目標是使用評分匹配（Score Matching）目標來估計這個梯度。通過學到的評分函數，結合朗之萬動力學（Langevin Dynamics）採樣，可以生成符合數據分佈的新樣本。評分函數的概念是一個優雅的數學框架，與擴散模型密切相關，構成了現代生成建模的理論基礎。

## 常見問題

### 評分函數和擴散模型有什麼關係？

評分函數和擴散模型有深刻的數學聯繫。在擴散模型中，模型學習預測每個時間步的噪音，而這個噪音預測與評分函數的學習本質上等價。具體來說，DDPM 的噪音預測目標可以被重新表述為學習噪聲數據分佈的評分函數。這意味著擴散模型可以看作是在各種噪聲水平下同時學習多個評分函數的方法。評分函數的視角提供了擴散模型的一個理論上更基礎和一般的理解。許多後續的改進和理論分析都基於評分函數框架，將兩者統一在一個更廣泛的框架下。

### 朗之萬動力學採樣的收斂性如何保證？

朗之萬動力學採樣的收斂性有理論保證。在連續時間的極限下，朗之萬動力學的不變分佈正是目標分佈 p(x)。在離散時間情況下，當步長 ε 充分小且採樣步數 T 充分大時，採樣分佈會接近目標分佈。具體的收斂速率取決於分佈的形狀和評分函數估計的精度。如果評分函數估計得很準確，收斂速度會很快。如果評分函數估計有誤差，採樣過程可能慢下來，甚至陷入局部陷阱。在實踐中，可以通過調度步長 ε 和噪音水平，並使用足夠的採樣步驟來確保收斂。現代的變體（如 SDE-based 採樣）提供了更好的收斂保證。

### 評分匹配訓練目標有什麼優勢？

評分匹配訓練目標相比其他目標有幾個優勢。首先，它不需要計算配分函數（歸一化常數），而許多其他方法（如最大似然）需要。這使得訓練對高維問題更加可行。第二，評分匹配目標對應於費舍爾散度，這通常提供更平滑的學習信號。第三，評分匹配可以結合數據擾動（去噪評分匹配），進一步提高訓練效率和穩定性。第四，評分函數直接對應於採樣過程所需的梯度信息，避免了額外的轉換步驟。這些優勢使得評分匹配成為訓練生成模型的一個非常有效的方法。

---

來源：https://aiterms.tw/terms/score-based-generative-model
快查頁：https://aiterms.tw/terms/score-based-generative-model
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-score-based-generative-model