continuous-time Markov chain
PulseAugur coverage of continuous-time Markov chain — every cluster mentioning continuous-time Markov chain across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI方法在数据稀疏的情况下改进材料属性预测 · 跟踪4个来源
研究人员开发了新的材料属性预测方法，特别是在数据有限的情况下。FrOGS是一种离散神经采样器，它采用混合方法，结合了自回归模型和连续时间马尔可夫链，以准确估算各种化学条件下的热力学性质。此外，DISTAL和SemiMat框架解决了与结构无关的材料属性预测问题。DISTAL利用了自监督的成分预训练和来自结构感知模型的知识蒸馏，而SemiMat则引入了一个基准和一种称为MatRank的可靠性加权目标，用于半监督回归，两者都旨在在结构或标记…
-
新的TTS研究探索离散流匹配以提高效率
两篇新研究论文探讨了零样本文本到语音（TTS）技术的进展，重点关注离散流匹配技术。第一篇论文介绍了DiFlow-TTS，一个使用离散流匹配方法来平衡生成质量和推理效率的框架，解决了自回归和连续空间基于流的模型存在的局限性。第二篇论文《Mask, Sample, Revise》提出了一种用于离散流匹配TTS的推理时堆栈，在不显式使用持续时间预测器的情况下，增强了从神经编解码器令牌生成语音的控制力和鲁棒性。
-
新研究将插入式语言模型与马尔可夫链和可学习动力学相结合
两篇新研究论文探讨了插入式语言模型（ILM）的进展，这是一种通过插入标记来生成序列的方法。第一篇论文引入了一个连续时间马尔可夫链框架，为ILM推导出一种类似扩散的去噪目标，并表明其在提供更多采样灵活性的同时，可以与现有方法竞争。第二篇论文提出了LoFlexMDM，一种学习数据依赖性插入顺序的ILM，提高了分子任务上的生成质量。