关键词score-based generative modeling
搜索结果 - 10
- Langevin 动力学的模式寻找特性研究
该研究探讨了 Langevin 动力学在多模态分布中生成样本的能力以及它的模式寻找特性,提出了一种改进方法 ——Chained Langevin Dynamics,以减少其模式寻找的倾向,并通过理论分析和数值实验验证了其有效性。
- 响应理论通过生成音符建模
利用基于评分的生成建模与波动耗散定理(FDT)相结合的方法,我们介绍了一种分析动力系统对外部扰动响应的方法。通过该方法,可以准确估计系统响应,特别是对于非高斯统计的动力系统,特别是在远离平衡的情况下经常遇到的系统。我们通过使用时间序列数据从 - 关于 Wasserstein 距离中扩散模型的一般概率流 ODE 的收敛性分析
使用概率流常微分方程进行基于得分的生成建模已经在各种应用领域取得了显著的成功。本文首次提供了关于概率流常微分方程采样器的非渐近收敛性分析,假定得分估计准确,并在 2-Wasserstein 距离下建立了一系列 ODE 采样器的迭代复杂性结果 - 对于分数匹配的样本复杂度界限:因果发现和生成建模
本文提供了得分匹配(Score-Matching)及其在因果发现中的应用的统计样本复杂性界限。我们证明了通过使用随机梯度下降训练标准的深度 ReLU 神经网络可以实现对得分函数的准确估计。我们建立了在得分匹配方法中基于 Rolland 等人 - 可证明快速的概率流常微分方程
提供了一种基于分数的生成建模的概率流 ODE 实现的首个多项式时间收敛性保证,并通过基于欠阻尼朗之万扰动的特殊校正步骤获得了更好的维度依赖性。
- ICLRSTaSy: 基于得分的表格数据合成
本文提出了一种名为 STaSy 的新模型和它基于评分的生成模型训练策略,在实验中,该模型在生成任务中较现有方法表现更好,提升了样本质量和多样性。
- 理解扩散模型:一种统一的视角
本文中,我们在变分和基于分数的透视下回顾,阐释和统一了扩散模型的理解。我们提出了变分扩散模型(VDM),并证明优化 VDM 归结为学习神经网络来预测原始源输入,原始源噪声或噪声输入的分数函数。最后,我们介绍了如何使用扩散模型通过引导来学习条 - 基于得分的扩散遇上退火重要性采样
本文介绍了使用分数比建模得到优化的扩展目标分布加上 Langevin 和 Hamiltonian 动力学离散化的 AIS 建议来估计边缘似然值的方法。
- ICLR基于分数的随机微分方程生成建模
本文提出了一种基于随机微分方程的得分模型生成方法,通过缓慢注入噪声将复杂数据分布平滑地转换为已知的先验分布,并通过缓慢地消除噪声将先验分布转换回数据分布,同时利用基于神经网络的得分生成建模技术可以精确估计这些得分,并使用数值微分方程求解器生 - 基于分数的生成模型生成置换不变的图
本研究提出了一种置换不变的方法来建模图,并使用基于置换等变的多通道图神经网络来建模数据分布。 实验表明,该方法在学习离散图算法方面具有很好的能力,并在基准数据集上实现了比现有模型更好或相当的结果。