Jul, 2023

负面情绪不要如此消极！具有指导助手的基于评分的生成建模

PDF
TL;DR基于最大似然原则的参数估计，使用迭代最优化算法获取数据似然函数的最优解。本文提出一种新的去噪扩散概率模型方法（Gen-neG），利用外部的辅助信息进行模型学习，在生成过程中通过生成对抗网络（GANs）和鉴别器引导策略，将生成样本限制在正区域范围内。实验证明 Gen-neG 在自动驾驶模拟器中的碰撞避免和安全人体运动生成等应用中具有有效性。
maximum likelihood principleparameter estimationdenoising diffusion probabilistic modelinggenerative adversarial networksoracle
发现论文，激发创造
  • 基于观测引导的扩散概率模型

    我们提出了一种新颖的扩散模型，称为观测引导扩散概率模型 (OGDM)，它有效地解决了质量控制和快速采样之间的权衡问题。

    Oct, 2023

  • 生成模型的自适应密度估计

    该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

    Jan, 2019

  • 通过优化的最大均值差异实现生成模型和模型评估

    本研究提出了一种基于最大均值差异（MMD）的统计检验来最大化两个概率分布样本的表示和区分度的优化方法，并将其应用于生成对抗网络（GAN）的无监督学习设置中，在其中，MMD 可以用作两种角色：一是直接对样本或样本特征作为鉴别器使用，二是通过将模型样本与参考数据集比较来评估生成模型的性能。

    Nov, 2016

  • 最大偏离经验分布的保证最优生成建模

    使用生成建模方法，本文提供了关于生成模型训练的理论洞察力，重点强调数据生成分布与训练数据生成分布之间的误差应随着样本量趋近无穷而趋近于零，并确保训练数据生成分布与任何复制训练数据样本的分布之间足够远。

    Jul, 2023

  • 扩散模型辅助监督学习用于密度估计的生成模型

    基于得分扩散模型的监督式学习框架用于训练生成模型，并通过生成标记数据解决了无监督训练中的问题，提高了采样效率和神经网络训练的时间节省。

    Oct, 2023

  • 泛经验似然深度生成模型理解

    本文研究了深度生成模型的诊断方法，提出了基于广义经验似然的方法，可以检测模型何时丢失了关键模式、发现模型的不平衡性并评估其是否能足够捕获类内多样性。

    Jun, 2023

  • 最大似然增强离散生成对抗网络

    本文介绍了将生成对抗网络应用于自然语言任务的困难之处，提出了一种新的最大似然增强离散生成对抗网络方法，并在多个数据集上进行实验证明了其优越性。

    Feb, 2017

  • 生成对抗网络学习分布的效果

    本论文研究了生成性对抗网络（GANs）的收敛速率和损失函数，探讨了在不同参数和非参数条件下的目标分布，都能通过 GANs 进行逼近， 建立了基于生成器和判别器的正则化理论，提出了生成器 - 判别器对正则化的新概念，为分布估计提供了有效的统计保证。

    Nov, 2018

  • Flow-GAN：在生成模型中结合最大似然和对抗学习

    通过混合训练方式，利用生成对抗网络以及精确似然估计评估方法，解决了最大似然训练无法评估生成质量的问题。

    May, 2017

  • 自适应抽样设计

    本文提出了一个基于概率建模框架和自适应采样算法，将非监督式生成模型与黑盒预测模型相结合解决输入设计问题。通过实验证明，该方法在最大化目标属性方面表现优越，并且适用于更一般的问题版本。

    Oct, 2018