说一下diffusion models的原理

时间: 2023-04-05 09:00:42 浏览: 31
Diffusion models是一种用于描述信息传播的模型，它基于人们在社交网络中相互交流和传递信息的行为。该模型假设信息的传播是通过人与人之间的相互作用和影响来实现的，这些相互作用和影响可以通过网络拓扑结构来描述。在这个模型中，每个人都有一个状态，表示他们是否已经接受了信息。当一个人接收到信息时，他会考虑是否将该信息传递给他的邻居，这取决于他的状态和他的邻居的状态。如果他的邻居已经接收到了信息，那么他就不会再传递信息，否则他会将信息传递给他的邻居。这个过程会一直持续下去，直到所有的人都接收到了信息或者没有人再传递信息为止。
相关问题

Diffusion Models

扩散模型是一类用于研究如何在一个系统中传播的模型。这类模型通常用于研究信息，产品或者疾病在一个群体或社会中的传播情况。通常情况下，扩散模型会描述一个群体内的个体之间的连接关系，并通过这些连接关系来描述传播的过程。扩散模型通常被用来预测传播的范围和速度，并用于制定有效的传播控制策略。

stable diffusion models

稳定扩散模型（stable diffusion models）是一种当前深度生成模型中的新兴技术。它在图像生成、计算机视觉、语音生成、自然语言处理、波形信号处理、多模态建模、分子图建模、时间序列建模和对抗性净化等领域都有出色的表现。稳定扩散模型的训练相对简单，使用二范数进行训练，借鉴了图像分割领域的UNet，训练loss稳定，模型效果非常好。与生成对抗模型（GAN）需要与判别器对抗训练或变分自动编码器（VAE）需要变分后验不同，稳定扩散模型的训练过程非常简单，只需要模仿一个简单的前向过程对应的逆过程即可。稳定扩散模型的推理速度较慢，因为噪声到图片的过程需要生成多个步骤，每次都需要运行神经网络，导致速度较慢。此外，稳定扩散模型的训练速度也较慢，消耗较多的资源。然而，随着技术的发展，稳定扩散模型的采样速度问题有望在不久的将来得到解决，从而使其成为深度生成模型的主导之一。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [Stable diffusion扩散模型相关原理](https://blog.csdn.net/hn_lgc/article/details/129068959)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

相关推荐

pdf

Denoising Diffusion Probabilistic Models.pdf

Denoising Diffusion Probabilistic Models.pdf
pdf

Improved Denoising Diffusion Probabilistic Models.pdf

Improved Denoising Diffusion Probabilistic Models.pdf
pdf

Diffusion Models: 生成扩散模型数学推导

本文基于2020 年 提出的 DDPM [ Denoising diffusion probabilisticmodels 模型 ，对扩散模型的原理进行 详细 的 介绍 。对于扩散过程，在满足马尔科夫链的条件下，我们应用了重参数技巧证明了基于原始数据我们 可以...

diffusion models和gans结合

Diffusion models是一个用于模拟数据分布的方法，而GANs是一种生成对抗网络，可以通过对抗过程学习生成真实数据的分布。将这两种方法结合起来可以使得生成的数据更加真实。具体来说，可以使用diffusion models生成虚拟数据，然后将这些数据作为GANs的训练数据。在训练GANs时，生成器的输入来自于diffusion models生成的数据，这样可以在学习生成器时考虑到diffusion models所建模拟的数据分布的特性。最终，生成器将会生成更加符合真实世界数据的图像。此外，将diffusion models和GANs结合也可以减少GANs的一些问题，如模式崩溃（mode collapse）和快速过拟合（over-fitting），这些问题通常在使用GANs时是很常见的。总之，通过结合不同的机器学习方法，可以提高生成数据的精确度以及训练的稳定性。

diffusion models 模型结构

Diffusion models 是一种用于描述和预测信息、创新或疾病传播的模型结构。该模型主要基于两个基本原则：信息的扩散是一个复杂的交互过程，且传播速度和规模取决于个人特征以及社会网络的结构。 在这种模型中，个体被视为社会网络中的节点，节点之间通过边连接。每个节点代表一个个体，在传播过程中可以采用不同的状态，如“未接触”、“感染”和“免疫”。信息、创新或疾病可以通过网络中的连接传播到相邻节点。 在传播过程中，模型通常考虑以下因素：个体的特征，如年龄、性别等；个体之间的连接强度和网络拓扑结构，如节点间的距离、网络密度等；传播的机制，如直接接触、虚拟传播或媒体影响等。 这些因素可以被编码为数学方程或算法，以描述传播速度和传播规模的增长。常见的模型类型包括基于微分方程的连续模型、基于随机过程的离散模型和基于代理人的仿真模型。 通过模拟和预测传播过程，diffusion models 可以帮助研究者和政策制定者更好地理解和预测信息、创新或疾病在社会网络中的传播特性。这些模型可以应用于各个领域，如市场营销、公共卫生和社会行为等，为决策提供科学依据。

conditional diffusion models

条件扩散模型是一种用于描述和预测信息传播的数学模型。它基于传统的扩散模型，但加入了条件约束，使得模型更符合实际情况。 在传统的扩散模型中，信息的传播是基于网络结构和个体行为的随机性来定义的。然而，现实生活中，信息传播往往受到特定条件的限制，例如社交关系、地理位置或个人属性等。条件扩散模型通过引入这些条件来更准确地描述信息的传播过程。 条件扩散模型的一个例子是基于地理位置的扩散模型。在这种模型中，信息的传播受到个体的地理位置限制。例如，如果某个个体与周围的人距离过远，那么信息的传播可能会受到限制。这个模型可以用于预测信息在城市中的传播速度和范围。 另一个例子是基于社交关系的扩散模型。在这种模型中，信息的传播受到个体的社交关系限制。例如，如果某个个体的社交网络比较封闭，那么信息的传播可能会受到限制。这个模型可以用于预测社交媒体上信息的传播路径和影响力。 总的来说，条件扩散模型是一种考虑特定条件限制的信息传播模型。这些条件可以是地理位置、社交关系等，通过引入这些条件，我们可以更准确地描述和预测信息传播过程，在实际应用中具有一定的研究和实践价值。

latent diffusion models

### 回答1： 潜在扩散模型（latent diffusion models）是一种用于分析社交网络中信息传播的模型。它基于假设，即信息传播是由一些潜在的因素（如个人特征、社交网络结构等）所驱动的。通过对这些因素的建模，潜在扩散模型可以预测信息在社交网络中的传播路径和速度。这种模型在社交网络营销、舆情监测等领域有着广泛的应用。

on distillation of guided diffusion models

在引导扩散模型的蒸馏过程中，通常会使用一种导师模型来指导另一个模型的学习过程。导师模型通常是一个已经经过训练的模型，它的任务是引导被蒸馏的模型去学习一些特定的知识或技能。这种方法在机器学习领域中被广泛应用，它可以帮助模型学习到更加有效的表示和特征，从而提高其性能和泛化能力。 蒸馏过程通常包括两个阶段：首先是使用导师模型对样本数据进行预测，然后是让被蒸馏的模型学习如何去模仿导师模型的预测结果。通过这种方式，被蒸馏的模型可以学习到导师模型的知识和技能，从而提高其自身的表现。 在引导扩散模型的蒸馏过程中，需要考虑的一些关键问题包括如何选择合适的导师模型、如何设计有效的损失函数来指导被蒸馏模型的学习、如何平衡导师模型的性能和被蒸馏模型的性能等等。此外，还需要考虑到如何在训练过程中平衡模型的复杂度和性能，以及如何处理好导师模型和被蒸馏模型之间的差异性。 总的来说，引导扩散模型的蒸馏过程是一种有效的机器学习方法，它可以帮助模型学习到更加有效的表示和特征，从而提高其性能和泛化能力。但是在实际应用中，需要注意一些关键问题，并进行合理的设计和调整，以确保蒸馏过程能够取得良好的效果。

extracting training data from diffusion models

从扩散模型中提取训练数据是指从已有的扩散模型中提取出用于训练机器学习模型的数据集的过程。 扩散模型是一种模拟现实中扩散现象的数学模型，例如在金融学中用于模拟股票价格的变动，或者在生物学中用于模拟物质在细胞中的扩散。 在提取训练数据的过程中，首先要确定所需的特征和目标变量。特征是用于描述扩散模型状态的变量，可以是时间、位置、扩散系数等。目标变量则是我们希望预测或分析的变量，例如股票价格的变化趋势或物质的浓度分布。 接下来，我们需要从扩散模型中获取实际观测或模拟得到的数据。这些数据可以包括已知的扩散模型状态和对应的目标变量，或者通过模型模拟生成的数据。在金融领域，可以使用已有的交易数据作为输入，例如历史股价、交易量等。在生物学领域，则可以使用实验测得的物质浓度数据。 在数据获取之后，我们可以对数据进行预处理，例如处理缺失值、去除异常值等。然后，根据所选的机器学习算法，可以将数据集分为训练集和测试集。训练集用于训练模型，而测试集用于评估模型的性能。 最后，我们可以利用提取的训练数据来训练机器学习模型，例如使用监督学习算法来进行回归或分类任务。通过训练模型，我们可以学习到扩散模型中隐藏的模式和规律，从而可以对未知数据进行预测或分析。 总之，从扩散模型中提取训练数据是一种得到可以用于机器学习的数据集的过程，可以帮助我们理解和预测扩散现象。

diffusion model原理

扩散模型（Diffusion Model）是一种用于描述信息、产品或创新在社交网络中传播的数学模型。该模型假设每个个体都有一定的概率接受信息，并将其传递给其邻居。这种传播过程可以用一个随时间变化的概率分布来描述，该分布被称为扩散曲线（Diffusion Curve）。扩散曲线通常具有 S 形，即一开始传播缓慢，然后迅速加速，最终趋于饱和。 扩散模型通常包括以下几个要素： 1. 初始接受者（Initial Adopters）：最初接受信息的个体，他们是信息传播的起点。 2. 传播规则（Propagation Rule）：描述信息如何从一个个体传递到另一个个体的规则，通常包括概率模型和网络结构。 3. 采纳门槛（Adoption Threshold）：个体接受信息的门槛，即需要多少邻居已经接受信息才会自己接受信息。 4. 扩散曲线（Diffusion Curve）：描述信息在社交网络中传播的随时间变化的概率分布。 扩散模型可以用来预测信息在社交网络中的传播速度和范围，以及确定最佳的营销策略和推广方式。

diffusion generative models

扩散生成模型（Diffusion Generative Models）是一种生成模型，与传统的GAN（Generative Adversarial Networks）和VAE（Variational Autoencoder）相比，它可以产生更加逼真和高质量的图像和视频。它的核心思想是将一个原始图像或视频不断地通过一系列微小步骤逐渐扩散，直到最终生成高质量的图像或视频。 在扩散生成模型中，图像或视频通过一系列轻微的变换逐渐演化，这个过程类似于物质扩散的过程，因此它被称为扩散。在每个时间步骤中，图像或视频被逐渐变得更加逼真和高质量，直到最终产生一个完整的图像或视频。 扩散生成模型的训练过程与传统的生成模型略有不同。在扩散生成模型中，模型的目标是尽可能地逼近真实图像或视频的分布，而不是直接生成一个图像或视频。为了实现这一点，我们需要使用一个化合物函数来度量模型生成的图像或视频与真实样本之间的距离，然后使用反向传播算法来优化模型的参数。 总而言之，扩散生成模型是一种非常有前途的生成模型，它能够产生更加逼真和高质量的图像和视频，未来可能成为深度学习领域的一个重要研究方向。

denoising diffusion probabilistic models

去噪扩散概率模型（Denoising Diffusion Probabilistic Models）是一种用于图像去噪的方法。它基于概率图模型，并通过对图像进行迭代扩散来降低噪声水平。 这种方法的关键思想是将图像看作是由真实图像和噪声构成的混合图像。通过建立一个概率图模型，可以对真实图像和噪声进行建模。然后，通过对这个概率模型进行扩散操作，可以较好地恢复出真实图像，并削弱噪声的影响。 扩散步骤通过将图像中的像素与周围像素进行交换来实现。每次迭代都会选择当前像素与周围像素交换的概率，这个概率是根据概率模型计算得出的。通过多次迭代，概率模型中的信息会通过扩散过程逐渐传播，从而减小噪声的影响，同时提高对真实图像的估计。 特别值得一提的是，Denoising Diffusion Probabilistic Models 方法不需要训练数据集，而是直接通过对图像的迭代扩散来进行去噪。这使得该方法在实际应用中具有较高的灵活性和适用性。 总结来说，去噪扩散概率模型是一种使用概率图模型和迭代扩散操作来降低图像噪声的方法。它通过对图像进行多次迭代的扩散操作，逐渐减小噪声的影响，从而恢复出真实图像。这种方法的优点包括不需要训练数据集、适用性强等。

latent diffusion models训练自己的数据集

潜在扩散模型是一种用于训练自己的数据集的机器学习模型。该模型能够在数据集中发现潜藏的特征，并将其应用于预测、分类或其他任务。 模型的训练过程通常包括以下步骤：数据预处理、特征提取和模型训练。 首先，我们需要对数据集进行预处理。这通常包括去除噪声、缺失值处理、归一化等。预处理后的数据可以更好地被模型理解和处理。 接下来，我们需要从数据集中提取特征。特征提取是潜在扩散模型的关键步骤，它可以帮助我们发现数据集中的重要信息。特征可以包括数值特征、文本特征、图像特征等。我们可以使用特征提取算法，如主成分分析（PCA）、深度学习网络等，从原始数据中提取有意义的特征。 最后，我们可以使用提取的特征来训练潜在扩散模型。该模型可以是神经网络、概率图模型、支持向量机等。在训练过程中，模型将根据已知的输入和输出样本来学习数据集中的模式，并尝试最大限度地拟合这些样本。一旦模型训练完成，它就可以用来预测新的未知数据的输出结果。 通过训练潜在扩散模型，我们可以利用我们自己的数据集来获得预测、分类或其他任务的结果。这些结果可以帮助我们更好地理解数据集中的模式和趋势，并为决策提供有力的依据。同时，为了获得较好的模型性能，我们还需要选择合适的特征提取算法和模型结构，并进行调参和性能评估等工作。

label-efficient semantic segmentation with diffusion models

标签高效的语义分割是指使用扩散模型进行语义分割的方法。语义分割是计算机视觉中的一项重要任务，目标是将图像中的每个像素标记为属于特定类别。传统的语义分割方法通常需要大量的标注数据进行训练，这对于很多场景来说是不可行的，因为标注数据的获取十分耗时和费力。因此，提出了一种使用扩散模型的标签高效语义分割方法。 扩散模型基于自监督学习的思想，通过利用图像自身的结构信息进行训练。具体而言，该方法首先将图像划分为一组超像素或紧密区域，然后根据这些区域的颜色、纹理或形状等特征来推断像素的标签。通过这种方式，可以大大减少对标注数据的依赖。 该方法的关键步骤是利用扩散模型对像素进行标签推断。扩散模型是一种基于概率传播的图像分割方法，它通过计算每个像素与其周围像素之间的相似度来推断像素的标签。这样一来，即使只有部分像素有标注，也可以利用它们与周围像素的相似性来推断未标注像素的标签，从而实现标签高效的语义分割。 与传统的语义分割方法相比，标签高效的语义分割方法在保持较高准确率的同时，显著减少了对标注数据的需求。这对于那些无法获得大量标注数据的场景来说，具有重要的实际意义。因此，标签高效的语义分割方法在计算机视觉和图像处理领域具有广泛的应用前景。

stable diffusion模型原理及代码

Stable Diffusion Model (SDM) 是一种基于非参数稳定分布的模型，用于估计数据分布的密度函数。SDM 的核心思想是通过稳定分布中的参数来描述数据的分布形态。 稳定分布是一类具有“稳定性”特征的分布，即对于任意两个独立随机变量的和，其和的分布仍然是该类稳定分布的一个变种。稳定分布的特点是其拖尾（tail）程度比较重，能够较好地描述数据的长尾分布。常用的稳定分布有 Cauchy 分布、Levy 分布、Gaussian 分布等。 SDM 的基本思路是假设数据的分布是稳定分布，然后通过最大化似然函数来估计稳定分布的参数。SDM 的估计过程可以使用 EM 算法进行求解。 下面给出一个简单的 SDM 的 Python 实现，其中使用了 Scipy 库中的稳定分布函数实现。该实现基于 EM 算法进行求解。 python import numpy as np from scipy.stats import levy_stable class SDM: def __init__(self, alpha=1.5, beta=0, mu=0, sigma=1): self.alpha = alpha self.beta = beta self.mu = mu self.sigma = sigma def fit(self, data, max_iter=100, eps=1e-6): n = len(data) log_likelihood_old = -np.inf for i in range(max_iter): # E-step: calculate the responsibility u = np.random.rand(n) x = self.inv_cdf(u) log_likelihood = np.sum(np.log(self.pdf(x))) if np.abs(log_likelihood - log_likelihood_old) < eps: break log_likelihood_old = log_likelihood # M-step: update the parameters self.alpha, self.beta, self.mu, self.sigma = levy_stable.fit(x, alpha=self.alpha, beta=self.beta, loc=self.mu, scale=self.sigma) def pdf(self, x): return levy_stable.pdf(x, alpha=self.alpha, beta=self.beta, loc=self.mu, scale=self.sigma) def inv_cdf(self, u): return levy_stable.ppf(u, alpha=self.alpha, beta=self.beta, loc=self.mu, scale=self.sigma) 上述代码中，SDM 类的 fit 方法用于对数据进行拟合，pdf 方法用于计算稳定分布的概率密度函数，inv_cdf 方法用于计算稳定分布的累积分布函数的反函数（即分位数函数）。在 fit 方法中，我们使用 EM 算法对稳定分布的参数进行迭代更新，直到似然函数的变化量低于阈值 eps 或达到最大迭代次数 max_iter。

diffusion models扩散模型与深度学习(数学原理和代码解读)

扩散模型和深度学习都是通过数学模型来描述和解决各种问题的方法。扩散模型用于描述某种物质在给定环境中的扩散或传播情况，它的数学原理主要是基于偏微分方程。 而深度学习则是一种基于神经网络的机器学习方法，其数学原理主要是通过多层次的神经网络来实现对数据进行训练和分类等操作。与扩散模型相同，深度学习也要处理大量的数据，并且需要对数据进行预处理和优化。 与扩散模型不同的是，深度学习在实现过程中需要大量的计算和优化，例如反向传播算法、梯度下降、正则化等。它还需要设计和选择合适的网络架构和参数设置。 在代码实现方面，扩散模型通常需要使用偏微分方程求解器来实现，而深度学习则需要使用各种框架和库来实现，例如TensorFlow、PyTorch等。同时，深度学习也需要更加复杂和繁琐的代码实现，例如模型构建、数据处理、模型评估等。 总的来说，扩散模型和深度学习都是非常实用和重要的数学方法，在各自的领域中都有广泛的应用价值。虽然两者使用的数学原理和代码实现都有所不同，但它们都为解决复杂的科学和工程问题提供了有力的工具和方法。

stable diffusion 原理

Stable diffusion principle refers to a phenomenon in which a gas or liquid is evenly distributed in a closed space over time without any external interference. This principle is widely used in various fields, such as chemistry, physics, and engineering.

最新推荐

Android 开发视频播放器源码代码逻辑清晰.zip

Android 开发视频播放器源码代码逻辑清晰

经典织构分析软件textool-欧拉角与米勒指数相互转换.zip

经典织构分析软件textool-欧拉角与米勒指数相互转换

基于at89c51单片机的-智能开关设计毕业论文设计.doc

基于at89c51单片机的-智能开关设计毕业论文设计.doc

"蒙彼利埃大学与CNRS联合开发细胞内穿透载体用于靶向catphepsin D抑制剂"

由蒙彼利埃大学提供用于靶向catphepsin D抑制剂的细胞内穿透载体的开发在和CNRS研究单位- UMR 5247（马克斯·穆塞隆生物分子研究专长：分子工程由Clément Sanchez提供于2016年5月26日在评审团面前进行了辩护让·吉隆波尔多大学ARNA实验室CNRS- INSERM教授报告员塞巴斯蒂安·帕波特教授，CNRS-普瓦捷大学普瓦捷介质和材料化学研究所报告员帕斯卡尔·拉斯特洛教授，CNRS-审查员让·马丁内斯蒙彼利埃大学Max Mousseron生物分子研究所CNRS教授审查员文森特·利索夫斯基蒙彼利埃大学Max Mousseron生物分子研究所CNRS教授论文主任让-弗朗索瓦·赫尔南德斯CNRS研究总监-蒙彼利埃大学Max Mousseron生物分子研究论文共同主任由蒙彼利埃大学提供用于靶向catphepsin D抑制剂的细胞内穿透载体的开发在和CNRS研究单位- UMR 5247（马克斯·穆塞隆生物分子研究专长：分子工程由Clément Sanchez提供�

设计一个程序有一个字符串包含n个字符 写一个函数 将此字符串中从第m个字符开始的全部字符复制成为另一个字符串 用指针c语言

以下是用指针实现将字符串中从第m个字符开始的全部字符复制成为另一个字符串的C语言程序： ```c #include <stdio.h> #include <stdlib.h> #include <string.h> void copyString(char *a, char *b, int n, int m); int main() { int n, m; char *a, *b; printf("请输入字符串长度n："); scanf("%d", &n); a = (char*)malloc(n * sizeof(char)); b =

基于C#多机联合绘图软件的实现-毕业设计论文.doc

基于C#多机联合绘图软件的实现-毕业设计论文.doc

4G车载网络中无线电资源的智能管理

4G车载网络中无线电资源的智能管理汽车网络从4G到5G的5G智能无线电资源管理巴黎萨克雷大学博士论文第580号博士学院博士专业：网络、信息与通信研究单位：巴黎萨克雷大学，UVSQ，LI PARAD，78180，法国伊夫林省圣昆廷参考：凡尔赛大学-伊夫林省圣昆廷论文于11月30日在巴黎萨克雷发表并答辩2021年，由玛丽亚姆·阿卢奇·马迪陪审团组成Pascal Lorenz总裁上阿尔萨斯大学大学教授Mohamed Yacine Ghamri-Doudane拉罗谢尔大学报告员和审查员教授Rami Langar报告员和审查员马恩河谷大学Oyunchimeg SHAGDARVEDECOM研发（HDR）团队负责人审查员论文方向Samir TOHME博士生导师巴黎萨克雷大学名誉教授UVSQ/LI- PARADKALLEL KHEMIRI共同监督巴黎萨克雷UVSQ/大卫Guy Pujolle受邀索邦大学Tara Yahiya邀请巴黎萨克雷大学/LISN高级讲师（HDR）博士论文NNT：2021UPASG061谢谢你首先，我要感谢我的论文导师M.萨米�

mysql建表是的约束

在MySQL中，可以通过约束来保证表中数据的完整性和一致性。常见的约束有主键约束、唯一约束、非空约束和外键约束等。下面是MySQL建表时的约束介绍： 1. 主键约束：主键是一种特殊的唯一约束，它能够唯一确定一张表中的一条记录。在MySQL中，可以通过以下两种方式添加主键约束： ①在创建表时添加主键约束： ```mysql CREATE TABLE user ( id INT PRIMARY KEY, # 添加主键约束 name VARCHAR(20), age INT ); ``` ②在创建表后添加主键约束： ```mysql ALTER TABLE use

XX畜牧有限公司信息化项目实施方案.doc

XX畜牧有限公司信息化项目实施方案.doc

DOCT或AT：工程与计算机科学博士学位的域特定语言解决物联网系统的假数据注入攻击

这是由DOCT或AT从E't公关E'P ARE'在弗朗什-孔德E'大学第37章第一次见面工程与微技术科学计算机科学博士学位[美]马修·B·里兰德著在工业环境中使用域特定语言解决物联网系统中的假数据注入攻击在Conte e xte indust r iel中使用e'di '语言解决通过向物联网系统注入虚假捐赠进行的攻击2021年5月28日，在贝桑举行的评审团会议上：BOUQUETFABRICEProfesseuraThe'se总监GUIOT YOHann来自Flowbird集团的审查员LETRAONYVESProa'Uni v ersiteLEGEARDBRUNOProfesseura'PARISSISIOANNISProfesseura'Uni v ersit e' de Greno b le AlpesNX X X一个已知的基因首先，我想感谢我的直接和我的心的E 谢谢也是一个所有成员GeLeaD和SARCoS团队，让我有在一个大的设备中享受研究的乐趣。我感谢YvesLeTraon和IoanisPa rissi s，他们同意重读这篇文章，并成为它的作者。我感谢B runoLegeard和YohannGuiot在本文件的辩护期间接受并成为xaminators。感谢