Jun, 2023

等变流匹配

PDF
TL;DR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。
normalizing flowsequivariant continuous normalizing flowsoptimal transport flow matchingmany-particle systemsboltzmann generator
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

  • 生成建模中的流匹配

    基于连续归一化流的生成建模范例中，发现使用流匹配方法与扩散路径一起训练更具有鲁棒性和稳定性，并且可以开启使用优化运输插值定义的非扩散概率路径，该方法比传统扩散模型更适用于训练 ImageNet，并能快速生成可靠采样结果。

    Oct, 2022

  • E (n) 等变标准化流

    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

  • 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

  • 马尔可夫流匹配：用连续正规化流加速 MCMC

    通过建模生成概率路径的向量场，连续归一化流（CNFs）利用神经网络学习参考密度与目标密度之间的概率路径。本文重新利用流匹配（FM）方法，结合马尔可夫采样方法评估 FM 目标和使用学习的概率路径改进蒙特卡洛采样，将该方法用于概率推断。我们提出了一种顺序方法，利用马尔可夫链的样本修正定义 FM 目标的概率路径。我们增加了自适应调节机制以发现目标中的多个模式。在温和的假设下，我们证明了 FM 目标的局部最优收敛性，讨论了收敛速率的改进，并在合成和真实世界示例中说明了我们的方法。

    May, 2024

  • 连续归一化流在概率分布学习中的收敛性

    通过连续归一化流（CNFs）和线性插值，我们研究了采用匹配流目标函数学习概率分布的 CNFs 在从有限随机样本中学习概率分布方面的理论属性，并建立了基于 Wasserstein-2 距离的分布估计器的非渐进误差界。

    Mar, 2024

  • 具有混合概率传输的等变流匹配

    通过引入几何流匹配，本文在特征稳定的概率动力学和同态建模之间提出了一个混合概率路径，用于 3D 分子的生成，并在多个分子生成基准测试中实现了更好的性能和平均 4.75 倍的采样速度提升。

    Dec, 2023

  • 等变流：对具有对称能量的多体系统进行配置抽样

    本文介绍了通过等变流建立的 Boltzmann Generators, 以便推广其结果，同时演示了一个等变 BG 可以推广到采样非平凡的新配置。

    Oct, 2019

  • 平滑归一化流

    本文介绍了一种使用混合变换的规范连续流方法，可应用于计算力和高阶导数所需的平滑密度函数，并可用于分子动力学模拟。

    Oct, 2021

  • OT-Flow: 基于最优输运的快速准确连续正则化流

    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