denoising diffusion models
PulseAugur coverage of denoising diffusion models — every cluster mentioning denoising diffusion models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MLIPDiff方法通过确保物理合理性来改进AI药物设计
研究人员开发了MLIPDiff，一种用于改进基于结构的药物设计中的去噪扩散模型的新方法。该技术使用来自UMA（通用原子模型）的机器学习原子间势来指导扩散过程，确保生成的配体姿态在物理上是合理的，并避免与蛋白质发生碰撞。MLIPDiff通过消除碰撞，同时保留局部配体几何形状并实现优于预测的结合亲和力，显著优于现有模型，而且无需对基础扩散模型进行额外训练。
-
扩散模型展示出固有的注意力机制和改进的采样技术 · 跟踪了7个来源
近期研究探索了扩散模型（一种主流的图像生成架构）的进展。一篇论文揭示了这些模型固有地利用了类似于Transformer的注意力机制，这表明注意力是一种通用的机器学习原理。另一项研究引入了控制变量分数匹配（CVSI）来提高扩散模型的采样效率并降低方差。此外，一种名为优势加权匹配（AWM）的新方法将强化学习目标与扩散模型的预训练相结合，从而显著加快了生成质量。
-
新的数据集和调查应对多模态 AI 对抗性攻击 · 跟踪 2 个来源
两篇新的研究论文解决了多模态视觉语言模型（VLM）日益严峻的对抗性攻击挑战。第一篇论文“Adversarial Diffusion Across Modalities”对现有的攻击和防御进行了调查，提出了一个统一的框架，并指出了当前研究中的薄弱环节。第二篇论文“PHANTOM”引入了一个大规模、开源的预生成对抗性攻击数据集，用于 VLM，旨在降低研究人员研究模型鲁棒性和安全性的门槛。两项工作都强调了对 AI 系统进行更具可复现性和全面…