新的CRNDiff框架使用化学反应实现计数原生AI扩散

研究人员推出了一种新颖的扩散框架CRNDiff，该框架利用源自随机化学反应网络的计数原生马尔可夫跳跃过程。这种方法允许扩散模型直接处理离散计数数据，例如单细胞RNA测序中的数据。该框架能够基于稀有亚群进行条件化，并包含一种称为倾斜Feynman-Kac引导的方法，用于在不重新训练的情况下对目标亚群进行采样，从而减轻了稀有目标的权重集中问题。在利用人类心脏细胞图谱数据进行的测试中，与其他的生成模型相比，CRNDiff在稀有细胞群体的条件保真度和纯度裕度方面表现更优。 AI

影响 该框架有望改进离散科学数据的生成模型，从而可能促进生物学研究和数据分析。

排序理由 这是一篇详细介绍扩散模型新计算框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• CatalyzeX
• Chemical Reaction Networks for Computing Polynomials
• CRNDiff
• DagsHub
• Gotit.pub
• Hugging Face
• human heart cell atlas
• IArxiv
• Influence Flower
• Markov jump processes
• ScienceCast

• 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 →