Continuous Normalizing Flows
PulseAugur coverage of Continuous Normalizing Flows — every cluster mentioning Continuous Normalizing Flows across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
用于贝叶斯逆问题的新的无限维连续归一化流模型
研究人员开发了一种新颖的无限维连续归一化流模型，用于解决涉及偏微分方程的逆问题的贝叶斯推断。该模型利用无限维空间中的神经常微分方程将参考测度转换为更复杂的测度，该测度编码了先验信息。该框架在理论上已建立在无限维希尔伯特空间中的适定性，并包括用于贝叶斯后验的训练方法和采样算法。该方法已成功应用于各种逆问题，包括逆散射和热传导。
-
新的分层流匹配方法生成3D点云
研究人员推出了一种新颖的3D点云生成方法——分层流匹配（HFM）。HFM通过采用一种捕捉全局形状拓扑和局部几何细节的双层方法，解决了现有流模型和扩散模型的局限性。该方法将生成分解为用于整体形状的潜在流匹配和用于详细重建的条件点流匹配，从而能够以最少的欧拉步数进行高效采样。
-
新的PMOT框架使用连续归一化流进行最优传输
研究人员引入了潜在匹配最优传输（PMOT），一个利用连续归一化流解决一般$p$-成本最优传输问题的新颖框架。PMOT使用标量势来参数化流的速度场，从而实现精确的$p$-Wasserstein动力学。该框架展示了零损失精确性，并在合成基准测试中显示出学习特定$p$映射的潜力，以及作为高维表格数据的密度模型的潜力。
-
新库将12种生成模型统一为均场博弈
研究人员推出MFGLab，一个开源的PyTorch库，在一个变分问题框架下统一了十二种连续时间生成模型。该方法将Continuous Normalizing Flows、OT-Flow和基于分数的模型等视为均场博弈（MFGs）的特例。该库允许用户通过可组合的成本元组指定模型，自动处理训练循环和采样。此外，该论文提出了一种新的成本设计DI-Flow，该设计包含一个可微分的熵泛函，以增强模式覆盖，并引入了基于学习的MFG求解器，在特定任务…
-
新型玻尔兹曼生成器解决统计物理中的无定形材料问题
研究人员开发了一种新型玻尔兹曼生成器，专门用于处理无定形材料。由于其无序结构，从无定形材料中采样平衡态一直是一个难题。该新颖框架将等变性直接集成到黎曼随机插值中，并利用等变图神经网络来处理周期性边界条件和粒子对称性。虽然该方法通过强制执行物理对称性提高了准确性，但也凸显了连续流生成模型在统计力学中的一个根本限制：累积的数值误差会损害精确的热力学重加权，这表明需要替代方法。
-
新论文统一生成流并使用Koopman算子
两篇新研究论文探讨了生成模型中的高级技术。第一篇论文将生成式Wasserstein流（GWF）引入为一个统一的框架，适用于各种生成模型，并扩展到新算法，阐明了与GAN的联系。第二篇论文提出使用Koopman算子来线性化连续归一化流，从而实现更快的采样和对生成过程的新分析见解。