研究人员开发了一种名为并行轨迹退火(PTT)的新型训练算法,用于基于能量的模型(EBMs)。该方法解决了马尔可夫链蒙特卡洛混合不佳的问题,而该问题常常阻碍EBMs在生成建模中的可靠性,尤其是在科学数据方面。PTT通过在整个学习过程中保持平衡采样,实现了在复杂、数据稀疏的数据集上的稳定高效训练。实验表明,PTT在离散表格数据上优于现有的EBM训练方法,甚至超越了最先进的深度生成模型,提供了更高质量的样本和更强的鲁棒性。 AI
影响 这种用于基于能量的模型的新训练方法可能带来更可靠、更高效的生成建模,尤其是在科学数据方面,有可能在数据稀疏的情况下提高样本质量和鲁棒性。
排序理由 该集群描述了在arXiv论文中提出的一种新算法。
在 Hugging Face Daily Papers 阅读 →
- alphaXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Energy Based Models
- Gotit.pub
- Hugging Face
- IArxiv Recommender
- Influence Flower
- Markov chain Monte Carlo
- Parallel Trajectory Tempering
- Persistent Contrastive Divergence
- Restricted Boltzmann Machines
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →