- 鲁棒扩散 GAN 基于半不平衡最优传输
通过半平衡最优传输的鲁棒训练技术,本文介绍了一种能有效缓解偏离值样本影响的鲁棒扩散生成对抗网络(RDGAN),通过全面评估展示了 RDGAN 在图像质量、分布模式覆盖以及推理速度等生成建模标准上优于标准 DDGAN,且在处理干净和损坏数据集 - 通过扩散生成反馈测试时间调整鉴别模型
通过使用扩散模型生成反馈,Diffusion-TTA 方法可以将预先训练的判别模型适应到测试集中的每个无标签示例,并通过反向传播梯度来最大化图像似然目标,从而显著提高各种大规模预训练判别模型的准确性。
- 推导映射下的旅行采样
本研究以理论角度回顾和组织了多种采样方法,主要关注于在 “生成模型” 环境中产生与训练样本类似的新数据,通过揭示现有方法之间的联系,可能有助于克服扩散模型中的一些挑战,如因扩散模拟而导致的长推断时间或生成样本的多样性不足。
- 关于扩散模型在合成训练数据集中的限制
通过分析真实样本复制过程中通过扩散和反向过程重建的合成样本,我们发现现代扩散模型不能完美地代表数据分布以用于训练鉴别性任务,这意味着合成数据集在分类性能上不如真实数据集。我们的研究结果表明,合成数据在增加反向步骤时集中于训练数据分布的模式, - 利用掩码潜在生成建模的可解释异常检测
我们提出了一种新颖的时间序列异常检测方法,具有优秀的检测准确性和较高的可解释性。我们的方法利用了被称为 TimeVQVAE 的领先时间序列生成方法中的掩蔽生成建模。先前模型在时频域的离散潜空间上进行训练,保留了时频域的维度语义,使我们能够计 - 高斯插值流
我们研究了基于高斯降噪的模拟 - free 连续标准化流的良定义性、可微性和唯一性,通过建立高斯插值流的统一框架,我们证明了流速度场的利普希茨正则性、流的存在唯一性,以及流映射和时间反向流映射在多个丰富的目标分布类别中的利普希茨连续性,这也 - 多模态联合嵌入学习的外观编码
通过在生成建模的最新工作中使用外观编码,我们提出了一个框架,通过在不同模态之间施加对比损失约束来学习场景的外观和结构的联合嵌入空间,从而克服了需要在每次推理中重新训练新的外观编码的问题。通过将我们的框架应用于 RADIATE 数据集的简单变 - arfpy: 一种用于密度估计和生成建模的 Python 包,基于对抗性随机森林
介绍了 $ extit {arfpy}$,它是 Adversarial Random Forests (ARF) (Watson et al., 2023) 的 Python 实现,用于合成类似给定数据的新数据,供科学领域的用户轻松生成数据 - 增强桥匹配
流和桥匹配是一类新颖的过程,包括扩散模型,其增加灵活性的一个主要方面是这些模型可以在任意数据分布之间插值,即它们不仅适用于生成建模,还可以应用于学习两个给定分布之间任意转移任务的随机(和确定性)过程。然而,我们强调,尽管流和桥匹配过程保留了 - STRIDE: 分子逆向设计的结构引导生成
通过已有的分子引导,我们提出了一个新的生成分子工作流 $ extbf {STRIDE}$,可以在没有重新训练的情况下,生成 [新的分子],这对于具有结构相似性的小数据集是特别有用的。
- 结构化神经网络用于密度估计和因果推断
通过在神经网络中引入结构,StrNN 通过遮蔽路径在神经网络中注入结构,利用结构化神经网络可以实现数据高效生成建模和因果效应估计的流动性。
- 幂等生成网络
我们提出了一种基于训练神经网络为幂等的生成建模新方法,通过将源分布映射到目标分布来生成具有一致潜在空间的输出。
- SDF4CHD:先天性心脏病的心脏解剖生成建模
通过计算模型和深度学习方法,我们提出了一种类型和形状解耦的生成模型,以捕捉不同先天性心脏病类型中观察到的广泛心脏解剖变化,并合成保留特定先天性心脏病类型独特拓扑结构的心脏解剖。
- 由于分布不匹配,SVHN 数据集对概率生成模型具有误导性
警告使用 Street View House Numbers 数据集进行生成建模任务时存在的分布不匹配问题,并提供了一种解决方法:混合重新划分训练集和测试集。
- MCRAGE: 用于公平性的合成医疗数据
通过使用生成模型合成样本来增加不平衡的数据集,从而在以大部分样本为基础的类别上实现更平衡的分布,以训练一个无偏的机器学习模型。
- 变分基于测量的量子计算用于生成模型
基于测量的量子计算(MBQC)利用量子测量的固有随机性设计量子算法,以及利用 MBQC 中的随机副产品作为计算资源来进行的生成建模任务的算法设计工作。我们提出了一种带有控制参数的变分 MBQC 算法,可以直接调整计算中接纳的随机程度。我们的 - 图像、3D 动画和视频的条件生成建模
通过探索条件生成模型的新的形式和在图像、3D 动画和视频中的创新应用,本论文试图在计算机视觉领域推动创新。我们的研究聚焦于提供噪声和视觉数据的可逆变换的体系结构,并应用编码器 - 解码器结构进行生成任务和 3D 内容操作。在所有情况下,我们 - 具有随机相位的生成建模
基于相空间动力学的新型生成建模框架,通过构建相空间中的路径测度,实现了早期动力学传播中生成逼真数据点的能力,并利用轨迹上的额外速度信息进行高效数据生成。该模型在小样本评估中表现优越,并且与采样技术辅助扩散模型相媲美,彰显了其作为生成建模的新 - 建模蛋白质 - 蛋白质相互作用的深度学习方法生态系统的发展
综述介绍了利用深度学习模型分析蛋白质相互作用的多样性方法,包括基于生物物理学知识的模型、表示学习、几何深度学习和生成模型,并指出了面临的挑战和新的研究方向。
- UniPredict:大型语言模型是通用表格预测模型
利用生成模型和大型语言模型,该研究提出了一种名为 UniPredict 的通用表格数据预测模型,在广泛的数据集上展示了优越性能,并在少样本学习中快速适应新任务,为开发基于数据规模学习且适用于各种预测任务的通用表格数据预测系统提供了新的思路。