新型生成模型学习在已学习流形上的连续时间数据演化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-17 04:00

研究人员开发了一种新颖的生成模型方法，用于处理依赖于时间的数据，超越了离散时间步长，实现了在已学习数据流形上的连续时间演化。该方法利用预训练的评分模型作为几何先验，学习一个矢量场，该矢量场沿着尊重已学习几何的路径插值数据。这使得能够在任意时间戳生成数据并实现时间超分辨率，矢量场通过无模拟的回归目标进行训练。该框架还包含一个用于长时程展开鲁棒性的目标，并扩展到概率设置以模拟未来轨迹，在视频和科学动力学数据上取得了成功。 AI

影响这项研究可能能够实现更复杂的时序数据生成，影响视频合成和科学模拟等领域。

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

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新型生成建模技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Jan Tauberschmidt, Brian B. Moser, Stanislav Frolov, Andreas Dengel, Andrew B. Duncan, Sebastian J. Vollmer · 2026-09-17 04:00

漫步得分流形：学习数据流形上的连续时间生成动力学

arXiv:2609.17901v1 Announce Type: cross Abstract: Generative modeling of time-dependent data is typically formulated on a discrete temporal grid, restricting supervision to the observed timestamps in the training data. We instead frame generation as continuous-time evolution on a…

本文如何被排名

报道来源 [1]

漫步得分流形：学习数据流形上的连续时间生成动力学

相关实体

相关话题