Dec, 2023

多尺度建模中的微宏一致性：基于评分模型的辅助采样快慢动力系统

PDF
TL;DR在多尺度动力学系统中，通过代表性采样长时间尺度的相空间是一项有价值的工作，但也面临挑战。我们展示了基于评分的生成模型可以在这种耦合框架中用于提高多尺度动力学系统的采样效果。
发现论文，激发创造
  • 基于评分的蛋白质分子动力学增强采样

    本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。

    Jun, 2023

  • 基于得分的生成模型与自适应动量

    通过引入适应性动量采样，有效加速了转换过程，同时在小样本步骤中产生更加逼真的图像 / 图表，并在图像和图表生成任务中获得了有竞争力的评分。

    May, 2024

  • 基于成绩的生成模型在学习亚高斯概率分布族中克服了维度诅咒

    分析使用得分为基础的生成模型在学习一类亚高斯概率分布时的近似和概括性，介绍了相对于标准高斯测度的概率分布的复杂性概念，证明了通过经验得分匹配生成的分布以维度无关的速率近似目标分布。通过包括某些高斯混合的示例说明了理论，证明中的一个基本要素是导出与正向过程相关的真实得分函数的无维度深度神经网络逼近速率，独立成趣。

    Feb, 2024

  • 黎曼分数基生成建模

    本研究介绍了一种称为 Riemannian Score-based Generative Models （RSGMs）的生成模型，采用一种新的方法将 SGMs 扩展到黎曼流形，尤其在地球和气候科学球形数据方面进行了演示。

    Feb, 2022

  • 基于评分的生成模型学习具有约束混合的流形结构

    通过线性逼近和本地特征向量生成的子空间，调查经过训练的评分模型 (linear approximations and subspaces spanned by local feature vectors)，通过低维流形上支持的数据分布支持的得分模型 (score-based generative models) 学习数据分布是如何学习的。

    Nov, 2023

  • 具有保证稳定性的物理感知、概率模型降阶

    提出了一种基于生成模型的动力学系统简化方法，该方法能够实现高维、多尺度动态系统的降维，并在粒子动力学多尺度物理系统中进行有效预测。

    Jan, 2021

  • 得分高不代表生成模型好

    通过样本复杂性论证，我们在特定设置下展示了得分函数训练良好的情况下，SGM 只能输出训练数据点的高斯模糊样本，从而模拟核密度估计的效果，这与最近的研究结果一致，揭示了 SGM 展示出记忆效应并且无法生成的弱点。

    Jan, 2024

  • CoCoGen：基于评分的生成模型，用于前向和逆向问题的物理一致和条件性建模

    通过将分数模型集成到离散化信息中，本研究提出了一种提高偏微分方程下数据一致性的高效方法，将其应用于物理问题领域，并展示了分数模型在物理任务中的潜力和多样性，特别关注代理建模和稀疏测量的概率场重建和反演。

    Dec, 2023

  • 潜在空间中的基于得分的生成建模

    提出了一种基于变分自编码器框架的潜在分数生成模型 (LSGM)，通过使用潜在空间代替数据空间进行训练，使得该模型可以更加高效地生成样本且在多项任务方面取得了最先进的成果，同时在训练目标中提出多种方差约束的技术以保证其在稳定性和可扩展性上的表现。

    Jun, 2021

  • 闭合式扩散模型

    通过对闭式评分函数进行平滑处理，我们提出了一种无须训练即可生成新样本的 SGM 模型，并提出了一种高效的基于最近邻的评分函数估计器，使得我们的方法在使用消费级 CPU 运行时具有与神经 SGMs 相竞争的采样速度。

    Oct, 2023