ARTree：一种用于系统发育推断的深度自回归模型

Oct, 2023

ARTree：一种用于系统发育推断的深度自回归模型

ARTree: A Deep Autoregressive Model for Phylogenetic Inference

Tianyu Xie, Cheng Zhang

TL;DR我们提出了一种基于图神经网络的深度自回归模型 ARTree，可以灵活地设计概率模型并解决系统发生推断问题，通过学习可学习的拓扑特征来对树的拓扑结构进行建模，并提供了一系列包含简单采样算法和密度估计过程的树拓扑空间分布，无需使用启发式特征。我们在具有挑战性的真实数据树拓扑密度估计和变分贝叶斯系统发生推断问题的基准测试中证明了我们方法的效果和效率。

Abstract

Designing flexible probabilistic models over tree topologies is important for developing efficient phylogenetic inference methods. To do that, previous works often leverage the similarity of tree topologies via h

flexible probabilistic models phylogenetic inference graph neural networks artree tree topology density estimation

发现论文，激发创造

使用深度自回归模型生成逼真的图形

GraphRNN 是一种基于自回归模型的图生成模型，可以在没有先验结构假设的情况下模拟任何图分布，并且可以比现有的深度模型扩展到 50 倍以上规模的生成，而引入的基准测试集和最大平均差异评估方法可以有效评估模型表现。

Feb, 2018

通过图神经网络学习可学习的拓扑特征进行系统发育推断

本文提出基于可学习拓扑特征的系统发育推断结构表示方法，通过结合最小化狄利克雷能量的原始节点特征和现代图表示学习技术，该方法可提供高效的系统发育树结构信息，可自动适应不同的下游任务。在模拟数据和具有挑战性的实际数据上进行验证和评估。

Feb, 2023

GeoPhy：可微分的基于几何梯度的树拓扑的系统发生演绎

利用连续几何空间中拓扑分布的独特表示，我们引入了一种新颖的完全可微分的系统发育推断方法 ——GeoPhy，通过在设计空间和梯度估计中考虑实际因素和控制变化量，使得我们能够进行可变拓扑候选项的变分推断，相比考虑完整拓扑结构的其他近似贝叶斯方法，在使用真实基准数据集的实验中，GeoPhy 表现出显著的优势。

Jul, 2023

自编码树用于城市生成和应用

基于收集的数据集，本文提出了一种名为 AETree 的树状自动编码器神经网络，用于城市生成。该模型利用空间几何距离测量建筑布局的相似性，通过构建二叉树来提取和合并空间信息，最终实现了 2D 和 3D 城市生成。此外，AETree 学到的潜在特征可用于城市规划应用。

Sep, 2023

深度自回归网络

本文介绍了一种深度、生成式自编码器，它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法，我们证明了该方法在几个经典数据集上取得了最先进的生成性能。

Oct, 2013

NCART：用于表格数据的神经分类和回归树

通过将决策树集成到神经网络的架构中，我们提出了一种新颖的可解释性神经网络，名为 NCART，以克服深度学习方法在大规模、高维数据集和小规模数据集方面的计算效率和解释性不足的问题。与传统的深度学习模型相比，NCART 架构简单，适用于各种规模的数据集，并降低了计算成本。大量的实验结果表明，NCART 与现有的深度学习模型相比，具有优越的性能，是决策树模型的强有力竞争对手。

Jul, 2023

深度、分层生成模型的架构设计

本文介绍了一种基于深度生成模型的架构，该架构在训练过程中使用多层的潜在变量，并且在所有潜在变量和输出之间包括确定性路径，以及提供了一组更丰富的连接，这些连接在推理和生成计算之间实现了更有效的信息通信。我们在重构分布中引入了轻量级自回归模型以提高自然图像的性能。实验表明，我们的方法在标准图像建模基准测试中达到了最先进的性能，并且在没有标签信息的情况下可以暴露潜在的类结构，同时可以提供自然图像中被遮挡区域的令人信服的估计。

Dec, 2016

PhyloGFN: 基于生成流网络的系统发育推断

采用生成流网络的框架，本文研究在系统发生学中的两个核心问题：基于减少原则和贝叶斯方法的系统发生学推断。通过我们的前向后验采样器，PhyloGFN，我们展示了在真实基准数据集上产生多样化和高质量的进化假设。PhyloGFN 在边缘似然度估计方面与现有工作相媲美，并实现了更接近目标分布的拟合效果，超过了最先进的变分推断方法。

Oct, 2023

深度无监督基数估计

使用自动回归模型进行基数估计，提出了一种可处理多维关系表密集统计的新方法。通过蒙特卡罗积分方案，无需独立性假设，即可近似联合数据分布，实现单位误差计算效率，可显著提高准确性和系统运行效率。

May, 2019

图生成的自回归扩散模型

我们提出了一种基于扩散的图生成模型，通过定义在离散图空间中操作的节点吸收扩散过程，设计了扩散排序网络和去噪网络，从而实现了更好或相当的生成性能，并且具有快速的生成速度。

Jul, 2023