- ICML视觉 - 文本交叉对齐:在视觉 - 语言模型中优化相似度评分
使用预训练的视觉 - 语言模型对查询图像和细致的文本描述进行对齐可以显著增强零样本性能,因此我们提出了一种加权视觉 - 文本交叉对齐(WCA)方法,该方法通过局部视觉提示技术确定查询图像中的局部视觉区域,并通过创建基于预训练视觉 - 语言模 - 使用扩散模型学习高斯混合模型
给出了一个新的学习高斯混合模型的算法,其目标是通过扩散模型中的得分函数以及多项式回归来高效学习混合高斯分布,对于具有最小权重假设的情况下,计算出来的误差和时间复杂度具有准多项式级别的优势,并扩展到具有支持在常数半径范围内的多个球的混合高斯的 - 通过投票步骤扩散从点云中进行的 3D 物体检测
通过估计点云分布的得分函数,将随机的 3D 点移动到物体中心分布的高密度区域,以改善 3D 物体检测的性能。
- 得分高不代表生成模型好
通过样本复杂性论证,我们在特定设置下展示了得分函数训练良好的情况下,SGM 只能输出训练数据点的高斯模糊样本,从而模拟核密度估计的效果,这与最近的研究结果一致,揭示了 SGM 展示出记忆效应并且无法生成的弱点。
- 关于去噪扩散概率模型的收敛性的注意事项
我们在这篇论文中,对扩散模型和数据生成分布之间的 Wasserstein 距离进行了定量上界的推导,该结果不依赖于数据生成分布的得分函数,并且适用于具有有界实例空间的任意数据生成分布,即使这些分布对勒贝格测度没有密度,而且上界不会受到指数依 - 基于分布和容量的孤立森林评分
我们对孤立森林方法进行了两项改进,第一项改进是信息论动机的评分函数推广,允许考虑整个分布而不仅仅是树的平均值;第二项改进是替换孤立森林中基于深度的评分方法,采用基于孤立树叶节点相关的超体积的评分方法,并在生成数据和 34 个 “ADBenc - 超贝叶斯优化预测建模
通过在模型空间和函数空间之间进行反馈,将模型选择与贝叶斯优化相结合,以更加高效地达到函数的极值,证明收敛性并在实验结果中显示与标准贝叶斯优化相比的显著改进。
- IJCAI概率向量排序与无监督性能评估
通常用于评估模型性能的无标签数据评估的方法,通过使用得分函数映射概率向量来提高效果,但是需要选用最佳得分函数,实验得出 L^∞范数是最合适的。
- 基于条件得分指导的文本驱动图像到图像的翻译
本文提出了一种新颖的算法,利用预训练文本到图像扩散模型,通过在源图像中选择性地编辑被修改的文本定义下的感兴趣区域,生成目标图像,并引入新的评分函数,该函数同时考虑特定的翻译任务,实现了优秀的图像翻译表现。
- 黑化扩散:离散空间生成扩散模型
研究了离散状态下的 Markov 过程以及其反向扩散,提出了命名为 'Blackout Diffusion' 的新的方案,可以从空图像而不是噪声中产生样本,从特定前向过程到离散态过程的泛化可以帮助解释扩散模型。
- 深度学习和几何深度学习:数学家和物理学家的介绍
本文是介绍深度学习、几何深度学习和图神经网络的简要论文,重点介绍了评分函数和损失函数这些算法的关键成分,以及模型训练的主要步骤。
- 利用从噪声数据中学习到的基于分数的生成先验解决反问题
本文介绍了 SURE-Score, 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法,演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛 - 基于得分函数的无监督图像降噪
本文提出了一种更通用的解决方案,利用分数函数的性质,通过求解系统去除单张图像噪音,可应用于多种复杂噪音模型。实验结果表明,与其他方法相比,我们的方法在复杂的噪声模型下表现良好。
- 可扩展的因果发现与分数匹配
本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图,利用可扩展的机器学习方法来逼近得分函数,扩展了 Rolland 等人的工作,仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤,从而导致 DAS (Discover - 基于得分的生成建模分类
该研究探讨了基于得分函数的梯度学习在判别式和生成式分类设置中的应用。实验表明,该方法适用于数据集的不平衡情况,有效提高了二分类性能。
- IJCAIPG3: 通用策略生成的策略引导规划
本论文关注基于广义策略搜索的方法,提出了 Score function 的限制,并提出了能够克服这些限制的 Policy-Guided Planning for Generalized Policy Generation (PG3),该论文 - ICLR基于得分的生成建模方法及临界阻尼 Langevin 漫步
通过引入一种新的,临界阻尼 Langevin 扩散,该文提出一种基于分数的生成模型框架,它可以更轻松地学习条件分布的速度得分函数,这比直接学习数据分数函数要容易得多,并用于高分辨率图像合成任务。
- Noise2Score:基于 Tweedie 的自监督图像去噪方法无需干净图像
本研究提出一种名为 Noise2Score 的新方法,通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题,该方法可以处理任何指数族分布和噪声参数下受损图像的降噪,并在实验中表现出比现有方法更佳的性能。
- 降落完毕:变分推断中的简单、低差异度梯度估计器
我们提出了一种简单且通用的标准重参数化梯度估计变体,以用于变分证据下限。通过删除与评估参数有关的分数函数的导数,我们将产生一个无偏梯度估计器,其方差随着近似后验接近精确后验逐渐逼近零。我们从理论和实证方面分析了这种梯度估计器的行为,并将其推