- StereoDiffusion:基于潜在扩散模型的无训练立体图像生成
为满足多种 XR 设备的需求,我们介绍了一种名为 StereoDiffusion 的方法,该方法与传统的修复流程不同,无需训练即可轻松使用,并与原始的 Stable Diffusion 模型完美集成。我们的方法通过修改潜变量,能够快速生成立 - 随机性的恩惠:在基于扩散的图像编辑中,随机微分方程优于常微分方程
我们提出了一种统一的概率形式用于扩散式图像编辑,其中潜变量以任务特定的方式进行编辑,并且通常偏离原始随机微分方程或常微分方程(SDE 或 ODE)引起的相应边际分布。代之以定义了一个相应的 SDE 或 ODE 进行编辑。我们在公式中证明了两 - 神经过程中推理结构的利用
本研究提供一个框架,允许神经过程(NPs)的潜变量被赋予由图形模型定义的丰富先验。将分布假设直接转化为上下文集合的适当聚合策略,并通过消息传递过程进行端到端优化。使用混合和学生 - t 假设证明了该框架的普适性,从而提高了函数建模和测试时的 - ICLR通过对比潜变量引导基于能量的模型
本文提出了一种基于对比学习的框架,通过引入对比潜变量来改进能量基模型的训练,设计一种新类的潜变量 EBMs 实现数据联合密度估计和对比潜变量的联合训练,实验结果表明该方案比现有的 EBM 方法(如变分自动编码器或扩散技术)具有更低的 FID - PoKE: 具有潜在变量的先验知识增强型情感支持对话
本文提出了一种基于先前知识增强的情感支持模型,利用记忆模式将编码的知识纳入解码器,并利用潜在变量来建模策略的一对多关系,并展示了其在自动评估和人类评估方面的优越性。
- ICLR用于动态变化场景的隐式参数循环状态空间模型
介绍了一种名为 HiP-RSSMs 的框架,将相关动态系统参数化为低维潜在因素,并在真实世界的控制任务和仿真中表现出优于 RSSMs 和其他多任务模型的动态行为。
- 变分神经时序点过程
本文提出了一种变分神经时间点过程(VNTPP),通过引入推理和生成网络,训练深度神经网络中的潜变量分布以应对时间点过程的随机特性,并利用潜变量分布计算强度函数,从而更准确地预测事件类型和到达时间,实验证明该模型可以广义地表示各种事件类型,并 - 序列推荐的意图对比学习
介绍 Intent Contrastive Learning(ICL)的方法,该方法是一个通用的学习范式,将潜在的用户意图变量纳入 SR 模型,通过自监督学习(SSL)来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明,该学习范式的 - 跨语言转移的潜在翻译模型
提出一种新颖的潜变量翻译分类模型,在多语言 NLU 任务中表现优异,实现了迁移学习。
- ICCV保持冷静,提高视觉特征归因
本文提出的 CALM 模型通过将经验校准步骤嵌入模型以及使用潜在变量来改进 CAM 算法的短处,在具有弱监督目标检测的基准测试中表现出更好的性能。
- ICLRRNNLogic:学习知识图谱推理逻辑规则
本文提出了一种基于概率模型的 RNNLogic,并采用 EM 算法和后验推断方法,实现了在知识图谱推理中,学习逻辑规则的高效优化
- EMNLP基于 CVAE 的响应生成的焦点约束注意机制
通过引入潜变量到 Seq2Seq 模型,利用细颗粒度和聚焦机制来充分利用语篇信息,从而生成多样化和信息丰富的响应。
- 一对多生成的目标条件化
本文以神经机器翻译模型中存在的少量翻译为挑战,提出通过将 NMT 模型的解码器与一种代表目标句子领域的潜在变量相结合以从源句子中推测出更多翻译,同时训练一个目标编码器以生成离散变量表示目标句子的领域,为解码器提供关键输入,由此解码器能够根据 - 基于不确定性启发的 RGB-D 显著性检测
本文提出了一种基于不确定性的随机框架,通过学习数据标记过程实现 RGB-D 显著性检测,通过引入一个潜在变量来建模标记变化,包括一个生成器模型和一个推理模型,并采用条件变分自动编码器和交替反向传播技术来推断潜在变量。在六个挑战性的 RGB- - ICML使用校准解码器进行简单有效的 VAE 训练
本文针对 VAE 模型中的超参数调整问题,研究了校准解码器的作用和对 VAE 性能的影响,提出了一种简单但有效的高斯解码器改进方法。通过对多种数据集和模型的综合分析,我们得出了使用校准解码器进行 VAE 训练的建议。
- ICML基于等距高斯过程的异质数据潜在变量模型
本文提出了一种概率模型,其中潜变量既尊重模拟数据的距离又尊重其拓扑结构,利用生成流形的黎曼几何赋予潜空间具有明确定义的随机距离度量,这些随机距离通过对邻居图上观察到的距离进行筛选,尽可能地与其相似,最终实现主变量的不变性编码。
- 基于位置学习的非自回归 Transformer
本研究提出 PNAT,将位置建模作为非自回归文本生成过程的一个潜变量。实验结果表明,PNAT 在机器翻译和转述生成任务中取得了最佳结果,优于几个强基线模型。
- ACL潜在变量情感语法
本文研究了使用神经模型对组分树进行情感分类。在研究中探索了两种深度情感表达的形式,分别是通过潜变量和高斯混合向量来捕捉情感子类型表达的形式。实验表明,使用我们的方法,结合 ELMo 嵌入,可以在 Stanford 情感树库 (SST) 上取 - ACL弱监督开放域问答的潜在检索
本文提出了一种新的 open domain question answering 方法,利用问题 - 回答对来同时学习 retriever 和 reader,将 Wikipedia 中的证据检索视为潜在变量,并通过 Inverse Cloz - 协变量转移下的一致性预测
本文提出拓展 Conformal Prediction 方法,可计算在测试和训练协变量分布不同的情况下的无分布预测区间,同时在数据满足一定加权交换性的情况下,拓展还可以应用于其他设置,如潜在变量和缺失数据问题。