May, 2021

E (n) 等变标准化流

PDF
TL;DR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。
generative modele(n) equivariant normalizing flows (e-nfs)graph neural networksparticle systemsmolecules
发现论文，激发创造
  • 等变流：对称密度的精确似然生成学习

    本文研究了等变正规化流，在物理和化学的多体系统中存在的对称性被设计地融入流中，建立流的基础块并提高采样效率与泛化能力。

    Jun, 2020

  • 等变有限规范化流

    通过使用离散层构建等变归一化流，我们引入了三种新的等变流：$G$-Residual Flows，$G$-Coupling Flows 和 $G$-Inverse Autoregressive Flows，除了理论研究外，还在像 CIFAR-10 这样的图像数据集上进行了实证实验来证明其效果。

    Oct, 2021

  • 等变流匹配

    本文提出了一种新的训练目标 equivariant flow matching，该方法是基于最近提出的 optimal transport flow matching，利用目标能量的对称性来对称等变 CNFs 进行高效的仿真 - free 训练，在许多粒子系统和小分子 alanine dipeptide 中展示了我们方法的有效性，我们首次获得了一个具有显着采样效率的 Boltzmann 生成器，而不依赖于定制的内部坐标特征选取。

    Jun, 2023

  • 探究在 SO (3) 流形上的离散归一化流用于概率旋转建模

    本文提出了一种结合 Möbius 变换 - 环耦合层和四元数仿射变换的正交群上的正则化流方法， 可以有效地表示旋转上的任意分布，并且可以在给定输入观测值的条件下建立目标分布，具有显著的条件和无条件任务性能优势。

    Apr, 2023

  • 基于粒子的流体力学问题的 E ($3$) 等变图神经网络

    采用等变图神经网络比其非等变神经网络在动态交互模型中能够更准确地学习流体力学系统的运动，并发现等变模型可以对湍流流量进行粗粒化建模和参数推广。

    Mar, 2023

  • 归一化流的变体和放宽

    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

  • SE (3) 等变增强耦合流

    通过在附加的扩充维度上执行坐标分割，本文提出了一种保持 SE (3) 和排列等变性的耦合流，能够快速采样和密度评估，并可用于产生对目标分布的期望的无偏估计。同时，本文显示该流模型在相同应用上比等变连续归一化流快两个数量级，并首次成功学习仅通过对原子的笛卡尔位置进行建模从而获得丙氨酸二肽的玻尔兹曼分布。最后，本文展示了该流模型可以通过仅使用粒子系统的能量函数在 DW4 和 LJ13 粒子系统的玻尔兹曼分布上进行近似采样。

    Aug, 2023

  • 半等变条件归一化流

    研究使用连续归一化流学习条件分布的问题，确保对刚体运动的条件不变性，并在受体感知配体生成的分子设置中展示了该技术的有效性。

    Apr, 2023

  • 自由形式流动：使任何架构成为标准化流量

    我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

    Oct, 2023

  • 黎曼连续归一化流

    本文提出 Riemannian 连续正规化流模型，通过设置连续性流作为常微分方程的解来定义流，其可以对光滑流形上的灵活概率测度进行有效参数化，在合成和现实数据方面与标准流或先前介绍的预测流相比可以显著提高表现。

    Jun, 2020