- ECCV基于像素能量偏置的弃权学习在复杂城市驾驶场景下的异常分割
本文提出了一种名为像素能量偏置遗弃学习(PEBAL)的新的异常分割方法,它探索了基于模型的像素级异常类和内点像素分布的能量模型(EBM)的像素级遗弃学习(AL),通过非平凡联合训练 EBM 和 AL,实现了自适应低罚分配,大大提高了实时自驾 - ICML基于评分的生成模型的对抗性净化
本文提出了一种新颖的基于去噪分数匹配的敌对净化方法,该方法使用少数步骤快速净化被攻击的图像,并介绍了一种有效的随机净化方案以增强其鲁棒性。
- MM面向可编译性约束的代码生成的基于能量的模型
本研究探讨神经语言模型训练源代码的可行性,将编译能力作为约束条件,使用基于能量的模型生成编译代码,提高生成样本的编译能力。
- ICLR协作游戏的能量学习,及其在机器学习估值问题中的应用
提出了一种基于能量的处理合作博弈问题的方法,通过变分推断模型进行一步固定点迭代,恢复出各种博弈论估价标准,并证明这些变分估价都满足一组博弈论公理,并在某些合成和实际的评估问题上实验表明所提出的变分索引具有更低的解耦误差和更好的估值性能。
- ICLR能量基础异常检测和定位
本文探讨了利用能量模型解决半监督图像异常检测和定位问题的初步进展,并通过实验验证了该方法在 MVTec 工业数据集上的很强的检测和定位性能表现。
- AAAI通过交替 MCMC 教学学习循环一致的合作网络,实现无监督跨领域翻译
本文提出了一个基于生成协作网络的框架用于无监督领域间翻译问题,并通过 MCMC teaching 实现了对领域模型的最大似然学习,包含能量模型和潜变量模型,并使用 Langevin 修订算法进一步优化结果。实验结果表明该框架可用于无监督图像 - 联合能量模型训练以获得更好的校准自然语言理解模型
本文探讨在预训练的文本编码器(如 Roberta)的微调期间进行联合能量模型(EBM)训练,以提高模型的准确性,并通过噪声对比估计进行训练,同时引入掩码语言模型(MLM)目标来提高 NCE 训练的效果。
- ICLR一种基于分布式的控制文本生成方法
本文提出一种基于分布式方法的控制文本生成方案,旨在在单个形式框架中指定 “点对点” 和 “分布式” 约束,实现与初始 LM 分布 KL 散度最小的目标 LM 的训练。同时,基于 Energy-Based Model 表示确定最优目标分布。该 - CVPR通过潜在能量传输的非配对图像到图像翻译
本研究提出了一种基于预训练自编码器的能量模型来实现图像风格转换的方法,实验结果表明,该方法在图像转换任务中既提高了转换质量,同时还保证了目标图像的内容原始性,并在无匹配图像转换方面表现出色。
- 基于能量的再排序:利用能量模型来提高神经机器翻译的效果
通过基于能量的重新排序算法,利用基于 MLE 的 NMT 生成更高 BLEU 分数的样本,实现了比 MLE 更好的性能。
- 学习潜空间能量先验模型
通过在生成模型的潜在空间中学习基于能量的模型(EBM),从而使 EBM 成为先验模型,该模型建立在生成模型的自上而下网络之上。通过最大似然联合学习,可以同时学习潜在空间的 EBM 和自上而下网络,并涉及从潜在向量的先验和后验分布中进行短程 - ICLR基于能量模型长期动态的随机安全:对抗防御
本论文研究了使用 Markov Chain Monte Carlo 采样和能量模型对预训练分类器进行防御的方法,其目的是从原始输入中删除对抗性信号以进行准确的长期预测,并在 Cifar-10、SVHN 和 Cifar-100 三个数据集上实 - ICLR原子分辨率蛋白质构象的能量基础模型
本文提出了一种基于能量的蛋白质构象模型,该模型适用于原子尺度。该模型仅使用晶化蛋白质数据进行训练,在旋转体恢复任务中实现了接近 Rosetta 能量函数的表现,并捕获了与蛋白质能量有关的物理化学性质。
- Generative PointNet:基于深度能量的无序点集学习,用于 3D 生成,重建和分类
本研究提出了一种基于能量的无序点集生成模型,通过 MCMC 最大似然学习来训练模型,并且不需要手工定义距离的度量标准来产生点云。该模型可以用于点云分类和插值。
- 能量模型的流对比估计
该论文提出了一种新的训练方法,该方法联合估计基于能量和基于流的模型,并且这两个模型通过共享的敌对价值函数进行迭代更新。该方法通过噪声对比估计来更新基于能量的模型,以流模型作为强噪声分布。同时,该方法还近似地最小化了流模型与数据分布之间的 J - 利用图能量神经网络预测相关药物相互作用
本文提出使用图能量神经网络 (GENN) 来显式建模链接类型相关性进行药物作用预测,其中能量函数由图神经网络定义。在两个真实的药物数据集上进行实验证明 GENN 优于其他基线模型并实现了 13.77% 和 5.01% 的 PR-AUC 改进 - ECCV基于能量模型的深度概率回归
本文介绍了一种基于能量模型和深度神经网络,通过蒙特卡罗采样方法直接最小化相关负对数似然训练条件目标密度 p (y|x),可用于计算机视觉回归任务的新的概率解释回归方法,并在四个计算机视觉回归任务中表现优于其他概率和自信度方法,同时也具备更广 - 面向能量模型的非收敛非持久短期 MCMC 学习
本文研究了使用 MCMC 学习能量模型(EBM)中的一个有趣现象。我们将非收敛、不混合、不持久的短程 MCMC 作为学习非收敛器模型或流模型,在生成实例后,我们将按照最大似然学习梯度来更新模型参数,就好像合成实例是从当前模型中公平地抽样一样 - 基于 MCMC 的最大似然能量模型学习解剖学
本文研究了 Markov 链蒙特卡罗采样在无监督最大似然学习中的效果,发现使用 ConvNet 势函数训练的最小框架可以实现高质量的短时合成,同时使用正确的 Langevin 噪声调整可以实现长时稳定采样;但使用收敛困难的 MCMC 训练 - 生成模型、能量模型和推理模型的联合训练中的差异三角
本文提出了发散三角形作为生成模型、能量模型和推断模型联合训练的框架,通过统一概率公式,该方法可以无需昂贵的 MCMC 方法即可进行采样、推断和能量评估的过程,并且通过实验证明其可以有效地从不完整的数据中学习出合适的能量模型、直接采样和重构观