利用新型的去噪扩散概率模型(DDPMs)引入创新的期望最大化(EM)框架进行聚类,通过优化学习聚类友好的潜在表示,有效地提高了聚类、无监督条件生成和潜在表示学习的性能。
Dec, 2023
本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器,并发展了一个梯度优化算法用于优化其生成分子的能力,实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。
Feb, 2018
我们提出了去噪扩散变分推断(DDVI)算法,它是一种基于扩散模型作为表达性变分后验的潜变量模型的近似推断算法。我们的方法通过辅助潜变量来增强变分后验,从而得到一类表达性模型,通过反转用户指定的噪声过程在潜变量空间中进行扩散。通过优化受 wake-sleep 算法启发的边缘似然的一种新的下界,我们拟合这些模型。我们的方法易于实现(它适用于正则化的 ELBO 进一步扩展),与黑盒变分推断兼容,并且优于基于归一化流或对抗网络的替代近似后验类别。当应用于深层潜变量模型时,我们的方法得到了去噪扩散 VAE(DD-VAE)算法。我们将该算法应用于生物学中的一个激励任务 -- 从人类基因组推断潜在祖先 -- 在 Thousand Genomes 数据集上优于强基线模型。
Jan, 2024
采用扩散模型集成编码器和无条件扩散模型的得分函数,消除了 VAE 图像模糊的问题,并显著提高了性能。
Apr, 2023
本研究论文介绍了使用 Gaussian mixture variational autoencoder(GMVAE)进行分子模拟数据的降维和聚类,以及其在构建 Markov 状态模型方面的潜在应用。
Dec, 2019
利用扩散概率模型 (DP 模型) 代替标准评分匹配,DP-CDVAE 模型能够重构和生成与原始 CDVAE 质量统计上可比的晶体结构,并且显著地提高了能量准确性,更好地表示晶体的基态构型。
Aug, 2023
提出了一种基于条件变分自编码器的分子生成模型,可以控制多个分子属性,生成具有五个目标属性的类药物分子,可以单独调整一个属性,将其操作超出数据集范围。
Jun, 2018
基于经典对应物,我们提出了量子去噪扩散概率模型(QuDDPM),以实现对量子数据的高效可训练生成学习。
Oct, 2023
本文提出一种基于变分自编码的图结构模型,用于生成符合已有数据分布的化学分子结构,并通过实验数据分析表明该模型在分子生成任务上表现较好,同时使用合适的隐空间设计允许生成具备特定性质的分子。
May, 2018
本研究提出了一种 条件去噪扩散模型 以应对生成敌对网络和变分自编码器在顺序推荐任务中的挑战,通过将过程分成易于处理的步骤来简化优化和推荐任务,同时采用新的优化模式,模型能够生成高质量的序列 / 项目表示并防止折叠