在自然科学领域中，离散状态空间上的生成模型具有广泛的潜在应用。本文介绍了一种在离散状态空间模型上应用引导的通用方法，该方法依赖于在离散状态空间上利用连续时间马尔可夫过程，从而实现了从期望的引导分布中进行抽样的计算可行性。我们展示了该方法在图像、小分子、DNA 序列和蛋白质序列的引导生成等多个应用中的实用性。

Jun, 2024

研究了离散状态下的 Markov 过程以及其反向扩散，提出了命名为 'Blackout Diffusion' 的新的方案，可以从空图像而不是噪声中产生样本，从特定前向过程到离散态过程的泛化可以帮助解释扩散模型。

May, 2023

通过整合图数据到连续时间扩散模型框架中，我们提出了 Cometh，一种连续时间离散状态图扩散模型，以充分利用连续时间和离散状态扩散模型的优点，在大量的分子和非分子基准数据集上表明，整合连续时间会在各个指标上显著提高离散状态扩散模型的性能。

Jun, 2024

通过提出一种新颖的去随机扩散过程，我们加速了离散扩散模型的算法；我们还引入了一种连续时间采样算法，能够比有限步长的离散时间采样算法提供更好的样本质量。大量实验表明，在自然语言生成和机器翻译任务中，我们的方法在离散扩散模型的生成速度和样本质量方面表现出优越性。

Dec, 2023

本文介绍了 CDCD 框架，该框架是一种对分类数据进行扩散建模的方法，同时保持了连续时间和输入空间的特性，并在多个语言建模任务中证明了其有效性。

Nov, 2022

本文提出了一种基于条件扩散的离散图结构（CDGS）的分子图生成方法，通过随机微分方程（SDE）实现正向图扩散过程并得出离散图结构作为逆向生成过程的条件，利用普通微分方程（ODE）求解器进行高效的图采样，在各种数据集上验证了该框架的有效性，特别是在有限的步骤中仍能生成高质量的分子图。

Jan, 2023

通过离散流模型（DFMs）实现了流模型在多模态连续与离散数据问题上的应用，利用连续时间马尔可夫链实现了离散空间流匹配，进一步改进了基于扩散的方法，成功构建了多模态流建模框架，并应用于蛋白质共设计任务，取得了最先进的共设计性能，同时能灵活生成序列或结构。

Feb, 2024

本论文总结了扩散模型在图像生成方面的成功，并介绍了扩散模型在图生成方面的应用，特别是从分子和蛋白质建模方面进行了重点讨论，并讨论了扩散模型在图结构数据中的新方向。

Feb, 2023

针对量子系统状态的生成建模问题，本文提出了一种基于去噪扩散模型的方法，其关键创新点在于考虑了物理性质中的量子状态约束，通过 Mirror Diffusion Model 和设计出的镜像映射实现了严格保持结构的生成，实验验证了无条件生成和通过无监督分类器引导的条件生成的有效性，后者甚至在未知标签上生成了新的量子状态。

Apr, 2024

本文提出了一种名为 EDGE 的新型扩散生成图模型，通过在每个时间步骤随机删除边并最终获得空图的离散扩散过程，鼓励图结构的稀疏性，使其更有效率地生成包含上千节点的大型图，并明确将图中节点度数建模，与基线模型相比，生成的图像质量更高，具有更相似的图统计特征。

May, 2023