#生成模型
共 21 篇相关文章
FlowBatt：流匹配模型实现跨化学体系电池退化概率预测
FlowBatt 将流匹配与扩散 Transformer 结合，实现跨化学体系的电池健康状态概率轨迹预测，五组基准误差低于 2.5%，并提供经验预测区间。
归一化流映射与奖励混合：生成模型如何兼顾采样速度与精确似然
微软研究院讲座解读两篇论文：Normalizing Flow Maps 让可逆生成映射同时具备少步采样与精确似然，可用于 RLHF 后训练和玻尔兹曼生成器；Martini 则用廉价代理奖励的非线性组合逼近昂贵预言奖励，在语言、图像与蛋白质对接任务上验证有效。
可训练扩散场生成式SDE：密度损失优化新方法
本文介绍了一种基于散度核的生成式SDE新方法，可联合优化神经SDE的漂移场、扩散场和初始分布，并直接使用终端密度损失训练。在二维和八维高斯混合实验中，该方法生成的离模式样本显著少于得分匹配生成器，展现出在复杂分布建模上的潜力。
量子测量噪声变废为宝：实现高效扩散模型生成
本文解读最新论文：如何将量子测量噪声转化为扩散模型的随机性来源，实现每样本仅303次测量即可达到高测量参考的生成质量，测量次数减少约5300倍，并探讨其对量子机器学习和生成模型的启示。
LOCOGEN：局部性引导破解调控DNA设计难题
LOCOGEN提出局部性引导新方法，解决调控DNA设计中奖励黑客问题，在HepG2等细胞系上实现属性、新颖性与合理性的平衡，代码已开源。
SpecSlot：解耦细节与全局注意力的像素生成Transformer
SpecSlot 提出一种角色耦合的 tokenization 方法，将低频全局结构与高频局部细节解耦，在不扩大全局注意力序列的前提下提升像素空间生成 Transformer 的细节表现，并在 ImageNet 和文本到图像任务上以更低算力取得更好效果。
JiT去噪防御：无线电信号分类抗对抗攻击新突破
本文介绍一种基于JiT去噪的无线电信号自动调制分类对抗防御方法，在RML2018.01A数据集上相比PGD对抗训练，鲁棒准确率相对提升至少20.58%，未知攻击下提升至少39.72%，且干净样本准确率提升10.20%。
OrderGPT：生成顺序也能学习，AI建模新突破
OrderGPT提出将生成顺序作为可学习建模选择，介于自回归与掩码扩散之间。无需规范顺序监督，从注意力模式学习任务级顺序，在语言、人体姿态和表格数据上验证有效性。
α稳定分数生成模型：从全局收敛到尾部收敛的理论突破
α稳定Lévy过程驱动的分数生成模型非渐近收敛分析：全局Wasserstein收敛与布朗动力学无本质差异，但尾部行为存在尖锐分离，尾部指数匹配α=ν是捕捉极端事件的关键机制。
Annealed Lévy Diffusion：用高斯代理实现重尾扩散新范式
Annealed Lévy Diffusion（ALD）通过退火稳定性指数融合重尾探索与高斯精修，以边际优先分解实现标准高斯噪声预测训练，在2D基准、MNIST、CelebA64等任务上验证生成质量。
Bi-FORK：高维分岔系统的生成式建模新框架
Bi-FORK 提出面向高维分岔系统的生成式建模框架，通过潜空间流匹配与排斥引导采样，在单次推理中恢复多个解分支，可处理高达26万点的离散化问题，为物理仿真中的一对多映射提供新思路。
Prompteina：用自然语言设计蛋白质结构的突破
Prompteina 是首个支持自然语言条件的全原子蛋白质结构生成模型，类比文生图实现「文生蛋白」。基于180万结构、5000万+文本的数据集训练，在多项指标超越基线，并实验验证出针对GM2A的纳摩尔级结合蛋白。
自回归扩散模型能否生成金融市场数据？
探讨能否用自回归扩散模型生成逼真的金融市场数据，分析合成市场数据的应用价值、金融时间序列的统计难点，以及扩散模型在量化金融中的潜力与挑战。
流匹配中的速度缩放：为何有效的真正原因
最新 arXiv 研究重新解释了流匹配中速度缩放技巧的有效原因：真正问题并非 MSE 导致速度幅值不足，而是群体时间滞后。通过测量时间滞后选择增益，在 ImageNet-256 上将 FID 从 28.0 降至 12.2。
Normalizing Trajectory Models：让少步生成重拾精确似然框架
Normalizing Trajectory Models（NTM）将扩散模型反向过程的每一步建模为条件归一化流，实现少步生成下的精确似然训练，兼顾速度与概率框架完整性，突破蒸馏与一致性训练的局限。
HyperNSDE：用神经随机微分方程生成个性化临床数据
HyperNSDE 是一种基于神经随机微分方程（Neural SDE）与超网络的连续时间生成模型，可联合生成静态协变量、纵向轨迹与观测时刻的个性化临床数据，有效缓解医疗AI的数据稀缺与隐私难题。
流匹配模型为何能摆脱维度灾难：低维数据的泛化理论解析
最新 arXiv 论文从理论上证明流匹配与扩散模型能自适应数据的内在低维结构，缓解维度灾难。本文解析其 Wasserstein-p 误差界、内在维度收敛率及对生成模型泛化理论的意义。
离散扩散模型的置信度困境：为何并行生成会偏离真实分布
《Limits of Confidence in Diffusion》研究揭示离散扩散模型并行生成的根本限制：只有条件独立的token位置才能同步写入，而像素、音素、词语等真实数据普遍存在依赖关系，导致乘积分布无法匹配真实训练分布。
