- 从有偏到无偏的动力学:一种微生成算法
探索时间反演不变的随机过程的演化算子的特征函数,以 Langevin 方程(在分子动力学中使用的一个主要例子)为例。我们提出了一种根据过程的微小生成器和相关的解算算子来从有偏差的模拟中学习的框架,与基于转移算子的常见方法进行对比,并在实验中 - 对抗性 Schrödinger 桥匹配
我们提出了一种新颖的离散时间 IMF (D-IMF) 程序,用于通过学习在离散时间中的少量转移概率来解决 Schrödinger Bridge 问题,相较于数百步的迭代,只需要几个生成步骤即可实现与传统 IMF 相同质量的无配对领域转换。
- ComboStoc: 扩散生成模型的组合随机性
本文研究了扩散生成模型中一个被忽视但重要的因素,即组合复杂性。我们展示了通过构建充分利用组合结构的随机过程来解决该问题,从而加速了网络训练,并使得测试时间生成具备根据不同维度和属性的变化程度调控的能力。
- 离散和连续状态空间的桥梁:在时间连续的扩散模型中探索埃伦费斯特过程
通过研究时态连续的马尔可夫跳跃过程和离散状态空间下的状态连续扩散过程之间的对应关系,本研究桥接了离散和连续状态空间,并提出了一种直接与去噪评分匹配相关的马尔可夫跳跃过程的时态逆过程训练算法。
- 时空桥扩散
该研究介绍了一种新的方法,用于从高维实值概率分布中生成独立同分布的新合成样本,该分布由一组地面真实样本隐含定义。该方法的核心是通过跨时空维度的空间 - 时间混合策略来整合,以实现从易于处理的初始概率分布到由地面真实样本表示的目标分布的最佳传 - 通过一类分类理解时间序列异常状态检测
通过一类分类 (OCC) 方法重新定义时间序列异常检测问题,使用随机过程和假设检验严格定义 “时间序列异常状态检测问题” 和其对应的异常,构建人工数据集并测试 38 个异常检测算法,通过大量实验比较了各种算法的实际性能,为未来研究提供了洞察 - 非线性和无限维扩散过程的条件化
利用无限维 Girsanov 定理条件化函数值随机过程,得到调节过程的随机微分方程,并应用该技术进行进化生物学中形态的时间序列分析。
- 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 - 通过数据自适应随机过程从稀缺观察中学习连续网络的新兴动态
通过稀疏观测数据,我们引入了一种新的随机过程,称为神经常微分方程过程,用于学习连续网络动态,在各种领域中的网络动态具有优秀的数据适应性和计算效率,并可以适应新的网络动态,仅需要约 6% 的观测数据比例,并且显著提高了对新动态的学习速度。
- 整数值时间序列数据的神经似然近似
使用因果卷积构建神经似然逼近方法,针对整数值时间序列数据进行参数推断,以达到在当前方法难以处理的情况下准确逼近真实后验概率并实现显著的计算速度提升。
- 复古回退:不确定世界中的合成规划
本文提出了一种新的反合成方法,应用随机过程来考虑不确定性,并提出了一种名为 retro-fallback 的新贪婪算法,该算法在实验室中最大化至少可以执行一个合成计划的概率。通过使用体外基准测试,证明 retro-fallback 通常比流 - 扩散生成流采样器:通过部分轨迹优化改善学习信号
我们提出了一种基于扩散生成流采样器 (DGFS) 的抽样框架,该方法可以将学习过程易于处理地分解为短的部分轨迹段,通过参数化额外的 “流函数”,并且在各种具有挑战性的实验中展示了相比于相关先前方法更准确的规范常量估计。
- 探索随机过程来理解人工神经网络中的激活模式
使用随机过程模型神经网络中的激活模式,从而提供关于网络行为的有价值洞见。
- 用变分自动编码器学习随机过程的最小表示
通过无监督机器学习方法,介绍了一种确定有效描述随机过程动态的最小参数集的方法,并展示其在提取精确描述这些动态的最小相关参数方面的效果。此外,该方法可用于生成忠实地复制预期随机行为的新轨迹,从而提高我们对不同领域复杂现象的理解。
- 几何神经扩散进程
本文将扩展扩散模型的框架,将几何先验引入无限维建模,并通过构建噪声过程和近似得分实现对称性,展示了该模型适用于模拟扩散模型的任意对称性情景以及在复杂的合成场景和天气数据上的可扩展性和容量。
- 混合互信息估计的有效性
本研究提出了一种结合判别性和生成性方法的变分界的估算方法,我们进一步提出了一种名为 PQ 的简单生成方法,可以与判别性估计器轻松结合,可以在高维高斯分布和随机过程数据上实现更紧凑的互信息估计。
- 基于函数马尔可夫转移算子的深度随机过程
本文介绍了一种新的随机过程类别 Markov 神经过程 (MNPs),由神经参数化的 Markov 转移算子所构造,证明这些转移算子可以保留 SPs 的交换性和一致性,因此提供了对神经过程 (NPs) 框架的迭代构造的灵活性和表现力,实验表 - 深度稳定神经网络的无限宽度极限:次线性、线性和超线性激活函数
本研究探讨了具有稳定分布参数的深度神经网络的大宽度特性,结果表明稳定 NNs 的缩放和其无限宽极限的稳定性可能取决于激活函数的选择。
- 一种基于指标的无休止赌博任务分配策略:为拉动机械臂工人争取公平
本文研究在资源受限条件下随机过程的干预规划问题,并提出了一种解决异构工人的多工人多臂不懈赌博机问题的方法。通过开发基于指标的调度策略和 Whittle 指数的多工人扩展,实现公平性和高收益的干预计划。最后的实验结果表明,该方法在公平性方面表 - DANLIP:用于局部可解释概率预测的深度自回归网络
本文提出了模型,这是一种基于深度学习的概率时间序列预测结构,具有内在可解释性。我们通过多个数据集和性能度量进行实验,并经验证明,我们的模型不仅具有可解释性,而且还提供了与最先进的概率时间序列预测方法相当的性能。此外,我们证明了解释感兴趣的随