轻量级薛定谔桥
该研究提出了一种新的方法来创造一对概率分布,以测试现有的神经 EOT / SB 求解器在高维空间中图像的 EOT 解决方案,通过该连续基准分布,已知其 EOT 和 SB 解决方案。
Jun, 2023
本文提出了基于逼近投影的 Schrödinger bridge 算法的首个收敛性分析,成功地将其应用于概率时间序列插补中,以生成缺失值并达到了业内的最佳表现。通过优化传输成本,该算法探索了概率时间序列中的时间和特征模式。
May, 2023
本文提出了一种新的计算框架,基于正向 - 反向随机微分方程理论,用于似然训练 Schr"odinger Bridge 模型,并展示了该优化原则具有与深度生成模型现代训练技术相适应的适用性,实现了对 MNIST、CelebA 和 CIFAR10 等数据集生成逼真图像的可比较结果。
Oct, 2021
本文研究了 Schrödinger 桥问题的最大似然估计等效性,并提出了使用高斯过程估计 Schrödinger 桥的数值方法,并展示了在数字模拟和实验中的实际应用。
Jun, 2021
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
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
本研究提出了 Schrödinger 桥的正则化变体,该桥具有二次状态成本,鼓励最优样本路径与名义水平保持接近。我们导出了这个马尔可夫核的闭式解,该解恢复了传统 Schrödinger 桥的解,并且与量子力学中某些确切可解模型有关联。
Jun, 2024
该研究论文提出了一种通用的分布匹配算法,名为 Generalized Schrödinger Bridge Matching (GSBM),用于训练扩散模型,并通过解决条件随机最优控制问题,采用变分近似和路径积分理论进行优化,从而在处理特定任务时显著提高可扩展性和稳定性。
Oct, 2023