- DiffDTM: 面向双蛋白质的生物活性分子条件无结构生成框架
本文提出了 DiffDTM,一种基于扩散模型的条件无结构深度生成模型,将蛋白质序列和分子图作为输入,生成针对特定双蛋白的药物,实现了一次条件样本生成。在多个评估指标方面优于现有技术模型, 可以轻松地应用于新的双蛋白目标,生成具有生物活性的分 - 泛经验似然深度生成模型理解
本文研究了深度生成模型的诊断方法,提出了基于广义经验似然的方法,可以检测模型何时丢失了关键模式、发现模型的不平衡性并评估其是否能足够捕获类内多样性。
- 多目标分子优化在利用生成网络复合物治疗阿片类药物使用障碍中的应用
本研究提出了一种深度生成模型,利用自编码器模型的潜在空间,结合基于随机微分方程的扩散建模,实现有效生成对多种目标,包括 mu、kappa 和 delta 阿片类受体有效的分子,通过整合自动编码器嵌入分子指纹、变压器嵌入和拓扑拉普拉斯与先进机 - 对抗自适应采样:统一 PINN 和最优输运用于 PDE 近似
本文提出了一种新的最小最大 (PDEs) 方程求解方法,通过使用神经网络模型和深度生成模型来同时优化近似解及数据集,从而减少最终逼近的统计误差,此方法称为对抗性自适应采样 (adversarial adaptive sampling),并是 - MM深度生成模型用于同时进行范围误差缓解和环境识别
本文提出了一种基于深生成模型的方法,用于对复杂环境下的接收波形进行范围误差校正和环境识别,并通过端到端学习实现了同时进行误差校正和环境识别的任务,实验结果证明该方法具有优异的性能。
- 重新思考标签价值:针对实例相关的标签噪声学习
本文介绍了基于结构因果模型的深度生成模型算法,解决了大规模数据集中存在的标签噪声问题。该算法有效利用了噪声标签的监督信息,并在合成和实际的噪声标签数据集上表现优异。
- 通过对译码器网络进行反 Lipschitz 限制来控制后验坍塌
本文针对变分自编码器中的后验崩溃问题,提出了一种基于反 Lipschitz 神经网络的方法,并在多个数值实验中证明了其有效性。
- 插入并运行分裂 Gibbs 抽样算法:将深度生成先验嵌入贝叶斯推理中
该论文介绍了一种基于变量拆分的随机插入算法,它使用深度生成模型解决了贝叶斯去噪问题, 与传统的优化方法相比,该方法可以提供置信区间估计。
- 反向随机微分方程结合的深度生成建模
该论文提出了一种新颖的深度生成模型 BSDE-Gen,将 BSDE 的灵活性与深度神经网络的高能力相结合,特别适用于高维复杂目标数据的生成,特别是在图像生成领域。该模型将随机性和不确定性纳入生成建模过程,使 BSDE-Gen 成为生成高维数 - CVPR数字病理学中基于拓扑的多类细胞上下文生成
在数字病理学中,为了进行细胞分类、癌症诊断和预后,细胞的空间上下文信息至关重要。本研究引入了空间统计和拓扑数据分析中的数学工具,将这些结构描述符引入深度生成模型,作为条件输入和可微损失,来生成高质量的多类细胞布局,并证明了拓扑丰富的细胞布局 - IJCAI面向视觉文本呈现设计的组合感知图形布局生成对抗网络
本文提出了一种基于图像元素的深度生成模型 CGL-GAN,并设计了域对齐模块 DAM 来缩小训练和测试输入之间的差距,进而生成符合美感直觉的高质量图形布局。
- 感知、表征、生成:将多模态信息翻译为机器人运动轨迹
利用 Perceive-Represent-Generate (PRG) 三阶段框架、多模态深度生成模型,将机器人执行指令的动作序列与不同感知模态(例如视觉或声音)的感知信息相映射,并将其应用于机器人书写任务,完成可读可懂的手写字体。
- AAAI从多个未指明的视点无监督学习构造场景表示
提出了一种基于深度生成模型的方法,通过将潜在的场景表示分为与视角无关 和 视角相关部分来学习多个未指定视角的组合场景表示,并采用神经网络来迭代集成不同视角中包含的信息。实验表明该方法能够有效地从多个未指定视角学习.
- EMNLP双潜空间伸缩字体重建
提出了一种基于深度生成模型的排版分析和字体重构方法,通过分离字体样式和字符形状,可以大规模增加有效建模字符类型的数量。
- ICCV手绘你自己的生成对抗网络
通过 GAN Sketching 方法实现 GAN 模型的简化,即利用一个或若干草图改变 GAN 模型的权重,鼓励模型输出与用户草图匹配,同时保留原始模型的多样性和图像质量,实现了潜空间插值和图像编辑。
- 锯齿阶乘主题嵌入引导伽马信念网络
本文提出了一种新的深度生成模型来捕获嵌入空间中主题之间的依赖关系和语义相似性,这种模型名为 sawtooth factorial topic embedding guided GBN,并通过在大型语料库上的实验证明了该模型的优越性。
- ICLR深度变分聚类生存数据
本文介绍了一种基于半监督概率方法的生存数据聚类技术,使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题,并在广泛的数据实验中取得了良好的效果和表现。
- 使用 VAEs 的任务通用分层人体动作先验
本研究提出了一种新的深度生成模型,利用组合的全局和局部潜空间进行粗细粒度建模,独立于特定任务地学习复杂的人体运动,并在视频中基于人体姿态估计、运动捕捉系统中模拟完整的身体运动并进行可信的关键帧动画辅助。该通用的人体运动模型可以修复损坏的人体 - AAAIDSLR:使用对抗训练的自编码器进行动态到静态激光雷达扫描重建
本文通过 Deep Generative Model 和 Unsupervised Domain Adaptation 技术,研究 LiDAR 扫描的动态静态转换问题,并开发了能够在实际应用中发挥作用的 DSLR 模型来处理自主导航等领域的 - 不同 iable 可微分仿真:多智能体轨迹预测
本文提出一种名为 ITRA 的深度生成模型,使用基于全差分仿真器的条件循环变分神经网络对多智能体轨迹进行预测,成功利用运动学自行车模型和鸟瞰图像实现了最新的预测结果。