Bayesian Flow Networks
PulseAugur coverage of Bayesian Flow Networks — every cluster mentioning Bayesian Flow Networks across labs, papers, and developer communities, ranked by signal.
-
贝叶斯流网络统一离散和连续离线强化学习
研究人员引入了贝叶斯流网络（BFNs）作为离线强化学习（RL）和轨迹规划的统一框架。这种新方法称为BFN-RL，可以原生处理离散和连续状态空间，而之前的许多方法需要单独的公式。BFN-RL通过迭代演化分布参数来生成未来的状态序列，然后通过学习到的逆动力学模型将这些序列转换为动作。评估表明，它在离散规划和连续控制任务中都有效，将BFNs确立为跨各种数据模态的轨迹规划的通用生成基础。
-
新的贝叶斯样本推断模型改进了生成模型
研究人员介绍了一种新颖的生成模型方法——贝叶斯样本推断（BSI），该方法通过迭代高斯后验推断的视角来审视类似扩散的过程。这种表述将生成的样本视为一个未知变量，每一步都涉及模型预测和随后的后验信念更新。提出的BSI模型被证明包含了贝叶斯流网络（BFNs）和变分扩散模型，它们代表了各向同性超先验谱的两个极端。在ImageNet32和ImageNet64数据集上的实验结果表明，BSI在保持同等对数似然性的同时，提高了样本质量，优于BFNs和…
-
用于双靶点分子设计的新型融合贝叶斯流网络
研究人员推出了一种新颖的贝叶斯流网络 FusedBFN，专为双靶点分子设计而开发。该方法旨在生成能够同时与两个蛋白质靶点相互作用的分子，这是开发复杂疾病疗法的关键一步。FusedBFN 通过将双靶点生成表述为分布融合并利用专家乘积方法来整合来自两个靶点的信息。为了克服双靶点结构数据有限的问题，该模型利用了预训练的靶点感知 BFN 作为骨干，并采用了先进的对齐策略。
-
AMix-1 蛋白质模型使用贝叶斯流网络增强设计
研究人员开发了 AMix-1，一种利用贝叶斯流网络和新颖训练方法的蛋白质基础模型。该模型通过多序列比对展示了可扩展的预训练、涌现能力和有效的上下文学习。AMix-1 已成功设计出活性提高 50 倍的改进型蛋白质变体，并包含一种用于增强计算机辅助定向进化的进化测试时缩放算法。