本文提出了一种称为神经流动流形的新型生成模型,可以更好地适应数据几何,增加了模型的通用性和表达能力并提高了密度估计和下游任务的效果。
Jun, 2020
通过结合其他生成模型类别的方面,如 VAEs 和基于分数的扩散,放宽了 NFs 的严格双射约束,从而实现了表达能力、训练速度、样本效率和似然可追踪性的平衡。
Sep, 2023
本论文介绍了一种新变种的动态归一化流模型(TCNF),基于布朗运动的时间变形,能够有效地建模一些随机微分方程,包括标准的奥恩斯坦 - 乌伦贝克过程,并且提供更好的推断和预测能力。
Dec, 2023
本文介绍了基于随机微分方程的扩散归一化流生成建模新方法 —— 扩散归一化流算法。该算法使用两个神经 SDE:一个前向 SDE 和一个后向 SDE,通过联合训练两个神经 SDE,将后向 SDE 收敛于一种扩散过程,从而具备更好的高维数据密度估计和图像生成性能。
Oct, 2021
本研究探讨如何使用向量场在光滑流形上进行参数化,以及如何进行梯度学习来实现基于神经 ODE 的流规范化方法。
本文介绍了一种新方法,叫做 CNF,用于建模条件密度函数和解决结构预测问题,同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。
Nov, 2019
本文介绍了基于物理信息的归一化流(PINF),它是连续归一化流的一种新方法,通过特征方法结合扩散,能高效解决高维时间依赖和稳态福克 - 普朗克方程。
介绍了一种生成模型,E(n)同变标准化流(E -NFs),并将歧视性的 E(n)图神经网络作为微分方程集成为可逆的同变函数:连续时间标准化流。它在粒子系统(如 DW4 和 LJ13)以及 QM9 的分子方面表现出了比基线和现有方法更好的对数似然度,是第一种共同生成 3D 中分子特征和位置的流。
May, 2021
提出了一种基于最优传输理论和神经常微分方程的连续归一化流方法,具有高维密度估计和生成建模的能力,在五种任务中与现有技术相比表现出色,且训练时间为现有技术的 8 倍。
May, 2020
为了在现实世界中实现可靠的自主机器人部署,对 Out-of-Distribution (OOD) 检测能力的需求很高。基于密度估计和归一化流的 OOD 检测是一种有效方法,但之前的工作尝试使用简单的基础分布拓扑地匹配复杂的目标分布,导致了不利的影响。本文通过使用一个具有表达力的类条件基础分布,基于信息论目标来匹配所需的拓扑结构,从而避免了这种拓扑不匹配问题。所提出的方法在不降低性能和最小化计算开销的同时,提高了 OOD 检测能力。我们在密度估计和 2D 对象检测基准测试中,与广泛的基线模型相比,展现了卓越的结果。此外,我们还展示了该方法在实际机器人部署中的适用性。
Nov, 2023