PulseAugur
中
实时 08:56:39

新的并行轨迹退火算法增强了基于能量的模型训练

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的基于能量的模型（EBMs）训练算法，称为并行轨迹退火（PTT）。该方法解决了EBMs中常见的马尔可夫链蒙特卡洛混合不佳的问题，从而实现了更可靠的生成建模，尤其适用于科学数据。PTT在整个学习过程中保持平衡采样，从而在复杂数据集上实现稳定高效的训练。实验表明，PTT的性能优于现有的EBM训练方法，在离散表格数据上甚至超越了最先进的深度生成模型，产生了更高质量的样本和更强的鲁棒性。 AI

影响 增强了科学数据生成模型训练的实用性和效率，有望改善数据稀缺领域的研究。

排序理由 详细介绍模型新训练算法的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的并行轨迹退火算法增强了基于能量的模型训练

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Nicolas B\'ereux, Aur\'elien Decelle, Cyril Furtlehner, Beatriz Seoane ·

    Equilibrium Training of Energy-Based Models with Parallel Trajectory Tempering

    arXiv:2607.27077v1 Announce Type: new Abstract: Energy-Based Models (EBMs) provide an interpretable framework for generative modeling of scientific data, but poor Markov Chain Monte Carlo mixing often limits their reliability. We introduce a training algorithm based on Parallel T…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    Equilibrium Training of Energy-Based Models with Parallel Trajectory Tempering

    Energy-Based Models (EBMs) provide an interpretable framework for generative modeling of scientific data, but poor Markov Chain Monte Carlo mixing often limits their reliability. We introduce a training algorithm based on Parallel Trajectory Tempering (PTT), which exploits the co…

相关实体

相关话题