本文介绍了 CDCD 框架，该框架是一种对分类数据进行扩散建模的方法，同时保持了连续时间和输入空间的特性，并在多个语言建模任务中证明了其有效性。

Nov, 2022

本文介绍一种针对分类数据的正则化流方法，利用可变推理将分类数据的编码转换为连续空间，并使用分解器解决正则化流中包含的潜在关系和相互作用。基于这种方法提出了 GraphCNF，是一种置换不变的图形生成模型，并在分子生成上表现优于现有方法。

Jun, 2020

本研究提出了离散去噪流模型（Discrete Denoising Flows, DDFs），用于建模离散的随机变量，并证明在对数似然度量中，在建模玩具示例，二进制 MNIST 和 Cityscapes 分割地图方面，DDFs 优于 Discrete Flows。

Jul, 2021

本文探讨了 normalizing flows 模型在离散分布上的应用，提出了可以推广到离散事件的离散流模型。其中考虑了离散自回归流和离散二部流模型， 并应用于语言模型中。实验证明于离散分布上离散自回归流优于自回归基线模型，在字符级别的语言建模上离散二部流可以与自回归基线模型竞争。

May, 2019

通过引入结构化的前向过程，改进离散扩散模型，提高对离散数据类型的生成性能。

May, 2024

本论文通过引入 copula 和 marginal generative flows (CM 流)，解决了深度生成网络中存在的尾部特性建模或外推的问题并提出了上界方法。最终的结果支持了 CM 流的使用。

Jul, 2019

提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

Jan, 2019

建议了一个统一理论框架，将基于得分的扩散模型和生成对抗网络合并起来，提出了一个名为 “鉴别器去噪扩散流” 的新 SDE，通过调整不同得分项之间的相对权重，可以在 SDMs 和 GANs 之间实现平滑转换，同时保持边际分布不变，提供了新的算法，并具有在高样本质量和快速采样速度之间实现灵活权衡的潜力。

Jul, 2023

本文旨在建立离散扩散模型的概率流动基本理论，从而定义符合最优运输原理的离散概率流动，并提出一种超越以往的离散扩散模型的新型采样方法。通过在合成玩具数据集和 CIFAR-10 数据集上的广泛实验证实了所提出的离散概率流动的有效性。

Nov, 2023

通过将扩散应用于概率单体上，我们提出了一种处理连续和离散对象之间张力的方法，其中点对应于类别概率分布，并且自然地扩展到包括在单位立方体上进行扩散。

Sep, 2023