新的 Logit-坐标模型增强了混合数据生成能力

研究人员开发了 Logit-坐标生成模型，以解决连续生成模型中混合连续-分类数据的表示挑战。该新框架使用平滑的自然参数对分类变量进行编码，并将其与转换后的数值变量相结合，创建了 Logit Flow Matching 和 Logit Diffusion 等模型。该方法包括一个差异度量，将分类边际误差与条件连续 Wasserstein 误差分开，提供了稳定界限和考虑不平衡的速率。在真实基准上的实验表明，该方法在严重不平衡的情况下尤其能改善分布度量，并且通常优于或匹配现有的 One-Hot Diffusion 等方法。 AI

影响 引入了一个处理生成模型中混合数据类型的新框架，有望提高表格数据集的性能。

排序理由 该集群包含一篇详细介绍新生成建模技术的 istat 论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• Block-Conditional Logit FM
• Churn2
• Flow Matching for Generative Modeling
• Gaussian diffusion sinogram inpainting for X-ray CT metal artifact reduction
• Logit-Coordinate Generative Models
• Logit Diffusion
• Logit Flow Matching
• One-Hot Diffusion

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →