使用新颖连续变量嵌入的加速逆向建模的生成模型
本文提出了一种新的方法,通过找到生成模型中有意义的方向来提高生成模型潜在空间的可解释性,从而精确地控制生成图像的特定属性,如位置或比例。该方法对于搜索编码生成图像的简单变换方向(如平移,缩放或颜色变化)特别适用,并在 GAN 和变分自动编码器模型的质量和量化方面得到了证明。
Jan, 2020
使用物理引导的晶体生成模型(PGCGM)来作为逆向设计过程的一部分,评估生成式机器学习模型如何利用科学建模生成的数据来创造大量的新材料结构。研究发现,PGCGM 的输入空间对参数变化并不平滑,导致了材料优化的困难和局限性;同时,通过一个独立的属性预测模型表明,大部分生成的结构在热力学上是不稳定的,部分原因是由于领域外数据挑战。研究结果为改进生成模型以实现更好的逆向设计提供了建议。
Aug, 2023
我们研究了能够编码难以明确表达的物理约束的生成模型的构建。针对逆向材料设计问题,其中寻求设计具有预定属性的材料是一个重要挑战,我们对隐式数据集关系进行编码,即数据集中的某些材料可以分解成其他材料,并提出了一种能够在潜在空间中保持这一属性并生成具有相同属性的新样本的 VAE 模型。这在顺序逆向材料设计中特别有用,这是一个通过深度强化学习训练策略来通过顺序添加(或删除)元素设计具有特定属性的材料的新兴研究领域。
Dec, 2023
该研究提出了一种集成多尺度特性和生成对抗网络的创新生成模型,用于重建三维微结构,提高模型的准确性,并通过结合图像正则化损失和 Wasserstein 距离损失进一步改进模型,实现了生成的三维结构与真实样本的高相似性和统计数据一致性。
Feb, 2024
通过将图表数据的嵌入视为不同偏置下的独立硬币翻转,应用持续优化技术来获得二元向量的简单且有效模型,得出了优于谱图嵌入和各种学习实值嵌入的量化结果,可以显著降低图表数据检索的延迟。
Mar, 2018
该研究报告了一种将分子的离散表示转换为多维连续表示的方法,并使用深度神经网络构建了三个耦合函数,即编码器、解码器和预测器,以便从化合物的化学特性的连续向量表示中自动生成新的化合物,这种连续表示还允许使用强大的梯度优化方法有效地引导寻找优化的功能化合物。
Oct, 2016
使用可训练的量子测量算子将嵌入方法推广到 Born 机器,研究发现结合可训练的嵌入,Born 机器可以表现出更好的性能,并从数据集中学习更深层次的相关性。
Nov, 2023
该研究工作探讨了如何使用基于图变分自编码器 (Graph Variational Autoencoder) 的深度架构来训练学习逻辑嵌入,以实现对逻辑嵌入的反向推理,即将嵌入空间中的逻辑公式反向映射回语法空间,进而提高机器学习中学习逻辑规则和性质的能力。
May, 2023
通过使用 Gromov-Monge 嵌入(GME)的深度生成模型,我们提出一种解决生成对抗网络(GANs)面临的起始条件敏感性和模式崩溃等挑战的方法。我们在低维的潜在空间中通过 GME 识别数据的底层测度的低维结构,并在保持其几何性的同时将其映射到一个测度,然后将其最优地转运到参考测度。我们通过 GME 的几何性和生成映射的 $c$- 循环单调性来保持底层几何的一致性,这是确保更好的参数初始化和模式崩溃鲁棒性的第一步。数值实验证明了我们方法在生成高质量图像、避免模式崩溃以及对不同的起始条件具有鲁棒性方面的有效性。
Nov, 2023