- 用度量的 Dikin Walk 高效采样 PSD 空间锥
半定规划和优化中的采样过程,使用 Dikin 行走和内点方法结合,通过适当的指标选择,可以在多项式对数的复杂度下减少混合时间和步骤复杂度。
- 扩散动力的动量采样用于减轻发散伪像
本研究通过将现有的扩散数值方法引入重力球(HB)动量技术和构建广义重力球(GHVB)高阶方法,解决了扩散模型图像生成中常见的低采样步骤下发散伪影和提高图像质量的问题。
- 应对混沌:变分流数值不稳定性的分析与诊断
本研究探讨了数值不稳定性对于变分流中的采样、密度评估和证据下界(ELBO)估计的可靠性的影响,发现虽然存在严重的数值不稳定性,但采样和计算结果仍然足够准确,并提出了一种诊断过程来验证实践中使用数值不稳定流的结果。
- ICML概率流形中的几何约束:从分子动力学到结构化扩散过程的桥梁
精确和特定的统计集合建模要求理解生物复合物的宏观特性。我们提出了一种方法,通过在欧几里得空间的著名结构模型和概率推断框架中集成约束投影操作,从严格遵循任意几何约束集合的分布中进行采样。在深度学习驱动的药物设计等领域中,这项工作的重要性显而易 - 基于最优传输的条件采样生成流
提出了一种非参数生成模型,通过使用三角形状的传输映射来描述目标分布的条件分布,解决了基于参数的偏差和梯度优化器学习这些转换的可靠性问题。
- ACL关于采样适配器的有效性
从一个形式的角度看,采样适配器可以被视为精确率和召回率之间的权衡,通过这种转变,语言生成模型能够得到更高质量的文本。
- 生成流网络:马尔可夫链角度
本文对 Generative Flow Networks 进行了形式化,并将其视为循环马尔科夫链状态空间下采样的一种方法,这一方法可以在不使用流动的情况下模拟复杂的多模态概率分布函数。
- 半隐式去噪扩散模型(SIDDM)
通过匹配隐式和显式因素,我们提出了一种新的方法,以解决生成模型中的采样难题,该方法利用隐式模型匹配噪声数据的边缘分布和前向扩散的显式条件分布,以有效地匹配联合降噪分布,并获得与扩散模型相当的生成性能和比采样步骤少的模型相比更好的结果。
- 强对数凹分布的朗之万蒙特卡罗方法:随机中点重访
本文针对具有强烈对数凹密度的平滑目标分布的采样问题进行探究,借助随机中点离散化方法,建立可计算的 Wasserstein-2 误差的上界,并基于中点离散化的 Langevin 扩散过程进行分析以明确其基本原理和提供有价值的见解,进而建立起更 - ICML关于 $\ell_p$ 灵敏度抽样的更严格界限
该研究对 $ell_p$ 子空间嵌入的灵敏度取样提供了新的理论边界,为许多具有小 $ell_p$ 灵敏度的结构矩阵提供了最佳已知的样本复杂度。
- 扩散模型的几何视角
本文研究扩散模型的采样动力学,通过挖掘它的几何结构,提出一种简单却强大的采样理论框架,并将扩散模型的优化与经典的均值偏移算法关联起来。
- 基于关键词的采样(KEYS)用于大型语言模型
本文研究了使用抽取的关键词进行采样来生成人类文本回答的问题,提出了一种使用知识蒸馏技术来提取关键词的新方法,并表明该方法在 QA 任务中的表现优于常用的解码方法。
- 在量子计算机上采样确定性行列式点过程和 Pfaffian 点过程
该论文探讨了在量子计算机上进行 DPP 抽样的效率,并提出了通过修改现有量子电路来实现此过程的方法,并且与超导体的模拟相结合,将 DPP 推广到 Pfaffian 点过程。
- 通过时移采样缓解扩散模型中的暴露偏差
本文研究了扩散模型中存在的曝光偏差,并提出了一种名为 Time-Shift Sampler 的推理方法,该方法可以在不重新训练模型的情况下缓解曝光偏差,并通过实验结果证明了其有效性。
- 基于层级自适应体素导向采样技术的大规模点云实时应用
本论文提出了一种基于逐层自适应体素引导的点采样器,能够以高效的方式处理大规模场景点云,实现实时应用,并通过实验验证了该方法的有效性和高效性。
- CVPRBundleRecon: 基于光束的三维神经重建
本研究提出了一种增强的神经隐式多视图重建模型 ——BundleRecon,该模型通过使用捆绑光线束的方式采样一组像素,从而充分利用邻近像素之间的信息,并设计基于光线束的约束以进一步提高重建质量。实验证明,该模型与现有的神经隐式多视图重建方法 - 通过扩散模型从一张单照片中重光一个重光可调的 3D 人脸
该论文提出了第一种使用扩散模型作为先验的高精度三维面部 BRDF 重建方法,通过利用高质量的 UV 数据集进行渲染,使用样本处理过程来训练扩散模型,并在测试时通过对给定图像进行三维可塑模型拟合和 UV 纹理解耦,从而能够单个去噪步骤中完成掩 - 使用 Birth-Death 过程和探索组件加速 Langevin 采样
提出一种新的基于出生死亡过程和探索组件的采样方法,该方法巧妙地利用温度较高的样本集来探索新模式并传递信息,以提高采样效率,并在之前的文献实验中进行了比较和测试。
- 任意时空维度中格点规范场理论的正则化流
本研究提出了基于规范对称流的算法,利用掩码自回归变换对高维度格点几何中的规范场构型采样进行了可伸缩的、渐进性准确的流动采样算法探索,并提供了基于 SU (3) 格点规范场的一些初步应用结果。
- UniMax: 大规模多语言预训练中更公平、更有效的语言采样
本文提出了一种新的采样方法 UniMax,可在平衡语言之间的差异并减轻尾部语言的过拟合的同时,提供更加均匀的头部语言覆盖,并在一系列多语言评估基准测试中证明了 UniMax 的优越性和其随着模型规模的增加而持续的优点。