- Kolmogorov-Smirnov GAN
我们提出了一种新颖的深层生成模型,Kolmogorov-Smirnov 生成对抗网络(KSGAN)。与现有方法不同,KSGAN 将学习过程规范为最小化 Kolmogorov-Smirnov(KS)距离,该距离被推广用于处理多变量分布。我们正 - ICML基于多模态流匹配的全原子肽设计
通过基于流匹配框架的第一个多模态深层生成模型 PepFlow,我们成功设计了全原子肽链,以靶向特定蛋白质受体,并在计算肽设计和分析中展现了其显著潜力。
- 通过深度生成模型扩展扩散磁共振成像的视场
本研究旨在开发一种方法,通过使用已有的具有不完整视野的扩散磁共振成像扫描文件中的缺失切片,来恢复完整视野。实验结果表明,该方法能够改善整个大脑线索成像,修复受损数据,并在分析与阿尔茨海默病相关的组束时减少不确定性。
- 基于注意力的深度生成模型用于工业控制系统中的异常检测
该论文提出了一种新颖的深度生成模型,采用变分自动编码器架构,利用卷积编码器和解码器从空间和时间维度提取特征,结合注意力机制增强相关特征的表示,改进异常检测准确性,并在安全水处理测试平台的六个阶段进行了全面的实验分析,实验结果表明该方法相比多 - 基于可微的热性质深度生成模型的正则系综建模
提出了一种具有可微温度的变分建模方法,通过深度生成模型,在连续温度范围内同时估计和最小化自由能,应用于研究 Ising 模型和 XY 模型中的相变,并显示出相对于 Markov Chain Monte Carlo(MCMC)模拟更高效准确的 - 通过折叠数据流形中的特征维度,衡量神经网络的特征依赖性
通过在数据流形内的特征维度上进行数据点移动,从而在受到影响的测试数据集上观察模型性能的变化,以测量神经网络模型的特征依赖性,并在合成图像数据、阿尔茨海默病预测和细胞核分类任务上测试了该方法。
- AAAI透过对于 Out-of-Distribution 检测的分析了解正态流的可能性和图像复杂度
研究重点是解释深度生成模型中的异常现象机制,提出了 “图像复杂性” 的独立变量概念,并在实验中证明了该问题的有效缓解方法,并在另一个深度生成模型(PixelCNN++)中提供了其假设的潜在应用证据。
- 六个简单步骤的去噪扩散概率模型
通过六个简单步骤清晰陈述,简化并阐明噪声扩散概率模型(DDPM)的构建及其工作原理。
- 基于深度生成模型的假健康图像重建用于异常检测的评估:以脑部 FDG PET 为例
基于模拟现实异常图像的伪健康重建方法的评估程序,旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。
- 基于深度生成模型的长期公平决策
研究论文通过使用时间因果图和不同人群干预分布之间的 1-Wasserstein 距离作为定量指标,以减少顺序决策系统中的群体差异,研究了长期公平的机器学习。然后,提出了一个三阶段的学习框架,其中决策模型在深度生成模型生成的高保真数据上进行训 - 多视角非监督式物体中心学习
通过提出一种深度生成模型,将潜在表示分为视点独立部分和视点相关部分,从多个未指定的视点学习构成性场景表示。在实验中,该方法能够有效地学习来自多个未指定视点的信息。
- 利用深度网络在训练阶段仅针对非线性黑盒系统识别的能力
为了在系统辨识中充分利用深度模型的建模能力,本研究提出了一种新的训练策略,仅在训练阶段使用深度模型。通过采用两个具有不同结构和目标的分离模型,第一个模型是目标为模拟系统输出分布的深度生成模型(教师模型),第二个模型是基于浅层基函数的模型(学 - 使用条件扩散模型生成高分辨率区域降水
本文提出了一种基于去噪扩散概率模型(DDPM)的深度生成模型,用于区域尺度的气候数据降尺度,通过多个低分辨率气候变量的条件生成,实验证明该模型在降尺度气候数据方面具有显著改进,突出了条件扩散模型在气候数据降尺度中的有效性。
- 多项式信念网络
基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析,通过数据驱动方式提取具有生物学意义的元签名。
- 学习具有常规库存到货动态的库存控制策略
该研究通过深度生成模型,解决了在供应链中处理任意到货动态及订单数量后处理的周期复审库存控制问题,提高了生产效益。
- 基于集成生成深度学习的确定性对流允许模型的严重天气预测
开发了一种用于美国本土的严重天气(龙卷风、冰雹和风阵)的概率预测的集成后处理方法,该方法结合了条件生成对抗网络(CGAN),一种深度生成模型,与卷积神经网络(CNN)来后处理对流允许模型(CAM)预报。
- 使用深度条件生成时间序列模型生成个性化胰岛素治疗策略
我们提出了一个新颖的框架,将深度生成时间序列模型与决策理论相结合,用于生成个性化的治疗策略。它利用历史患者轨迹数据通过深度生成时间序列模型共同学习生成逼真的个性化治疗和未来结果轨迹。我们的框架能够根据条件预期效用最大化生成针对个性化患者历史 - ICML深度生成模型中的明确曲率正则化
我们提出了一种基于曲率的正则化方法用于深度生成模型学习,从而导出了坐标不变的内在曲率和外在曲率的显式公式,用于描述嵌入高维欧几里得空间中的任意数据流形。通过比较实验发现,与现有的自动编码器训练方法相比,基于曲率的方法在处理噪声运动捕捉数据时 - ICML用于生成模型的一次性遗忘的梯度手术
通过操纵梯度并将其投影到被保留梯度的法向平面上,我们提出了一种简单但有效的方法来移除深度生成模型中数据的影响。我们的方法不受移除样本统计的限制,在去学习生成模型方面优于现有基线,并首次提供了理论分析。
- ICML莫尔斯神经网络用于不确定性量化
介绍了一种新的深度生成模型 —— Morse 神经网络,它将非标准化高斯密度泛化为具有高维子流形模态而非离散点的密度,通过 KL 散度损失拟合它可以产生(非标准化)生成密度、OOD 检测器、校准温度、生成采样器和在监督情况下具有距离感知分类