affine Gaussian transport

新的传输神经切线核增强了生成模型的活动学习

研究人员为条件生成模型开发了一个新的活动学习框架，解决了现有方法仅关注标量或向量值输出的局限性。所提出的传输神经切线核（tNTK）能够捕捉预测分布的均值和形状，这与传统的基于均值的活动学习不同。该核对于仿射高斯传输具有封闭形式的表达式，并且具有可处理的蒙特卡洛估计量，从而实现了面向分布的活动学习策略。在各种条件生成模型和数据集（包括意图标记的句子和单细胞扰动响应）上的实验表明，tNTK 的性能优于基线方法。