改进基于生成模型的展开方法与 Schrödinger 桥
本研究介绍了一种新的无配对数据图像翻译方法 ——Unpaired Neural Schrödinger Bridge (UNSB), 它结合了 Schrödinger Bridge 模型和对抗训练等方法来进行学习,有效解决了高分辨率图像翻译困难的问题。
May, 2023
本文介绍了基于去噪扩散模型的生成模型,提出了基于 Schrödinger bridge 的生成建模方法来缩短生成时间,并将其扩展到条件模拟中,用于各种应用,包括图像超分辨率、状态空间模型的最优滤波和预训练网络的优化。
Feb, 2022
本研究介绍了一种新颖的理论简化方法,将扩散薛定谔桥与基于评分的生成模型统一起来,解决了扩散薛定谔桥在复杂数据生成方面的局限性,实现了更快的收敛和更强的性能。通过将基于评分的生成模型作为扩散薛定谔桥的初始解决方案,我们的方法充分发挥了两个框架的优势,确保了更高效的训练过程并提高了基于评分的生成模型的性能。同时,我们还提出了一种重新参数化技术,尽管在理论上存在逼近,但在实践中可以提高网络的适应能力。我们进行了广泛的实验评估,证实了简化扩散薛定谔桥的有效性,并展示了其显著的改进。我们相信本研究的贡献为先进的生成建模铺平了道路。代码可在此 https URL 获取。
Mar, 2024
通过在潜空间中利用 Schr {"o} dinger bridge 扩散模型构建新的生成学习方法,本文对当前扩散模型进行了全面的理论分析,包括利用预训练的编码器 - 解码器架构和 Schr {"o} dinger bridge 框架开发了潜空间中的扩散模型,通过控制生成分布和目标分布之间的二阶 Wasserstein 距离,获得了收敛速率,从而为现有的扩散模型提供了稳健的理论支持。
Apr, 2024
通过将高斯噪声逐渐应用于复杂的数据分布,构建了一个确定性的生成模型,对应于具有时间不均匀漂移的倒退随机微分方程,用基于分数匹配的方法估计漂移。本文提出了 Diffusion SB 方法来处理 Schrödinger Bridge 问题,近似了迭代比例拟合过程,DSB 具有广泛的适用性,是流形上 Sinkhorn 算法的连续状态空间概率化推广。
Jun, 2021
该研究提出一种新的神经参数化方法:非平衡扩散 Schrödinger Bridge(DSBs)。该方法可以模拟当端点是概率分布,且质量未被守恒时,人口的时间演化,并可应用于分析癌症药物的单细胞响应和病毒变异的传播过程。
Jun, 2023
通过信息熵插值和薛定谔桥生成学习模型,该方法将评价量(Kullback-Leibler 散度)定义为参考分布与目标分布之间插值的过程,采用深度评分估计器和深度密度比估计器的演算法得到漂移项,该方案具有一定的可靠性和优越性,可用于生成学习领域。
Jun, 2021
引入反射谢尔宾格算法:一种在多样有界域中生成数据的熵正则化的最优传递方法,通过反演的前后向随机微分方程与诺依曼和罗宾边界条件相结合,扩展基于散度的封闭域似然训练,并探索与熵正则化最优传送的自然联系,用于近似线性收敛的研究 —— 这对实际训练是非常有价值的见解。该算法在多样有界域中产生强大的生成模型,并通过标准图像基准测试展示其可扩展性。
Jan, 2024
机器学习创新使得数据展开成为可能,而不需要分箱并且可以考虑多个维度之间的相关性。我们描述了一组已知的、升级的和新的基于机器学习的展开方法,并在相同的两个数据集上评估了这些方法的性能。我们发现所有技术都能够准确地再现复杂可观测量下的粒子水平谱。鉴于这些方法在概念上各不相同,它们为一类新的测量提供了令人兴奋的工具包,可以以前所未有的细节探索标准模型,并可能实现对新现象的敏感性。
Apr, 2024
粒子物理实验中的测量必须考虑用于观测相互作用的探测器的不完善响应。最近,生成式机器学习模型在高维度中执行非直方图展开展现出了潜力。然而,目前所有生成方法限制于展开一组固定的可观察性,使它们无法在变量维度的碰撞数据环境中进行全事件展开。文章介绍了一种对生成展开中变量维度特征空间展开的新颖改进方法。该方法在大型强子对撞机上评估了在半轻子顶夸克对产生方面的性能。
Apr, 2024