实体
digression
digression
PulseAugur coverage of digression — every cluster mentioning digression across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的ProtoGuide框架增强了类条件图生成
研究人员开发了ProtoGuide，一种使用离散扩散模型进行类条件图生成的新颖框架。这种事后方法不依赖于特定骨干模型，并通过使用分类器的梯度来指导生成过程，类似于连续域中的分类器指导。与现有方法相比，ProtoGuide在真实世界网络上的分类准确性得到了显著提高，特别是对于无指导模型表现不佳的类别。
-
嵌入式图流模型推动分类图生成
研究人员开发了嵌入式图流（EGF），一种新颖的生成模型，专为分类图生成而设计。与使用固定独热向量表示类别的先前方法不同，EGF学习节点和边类型的连续嵌入，通过置换等变图变换器传输高斯噪声。这种方法允许更灵活和准确地表示分类数据。EGF在分子基准测试中表现出有竞争力的性能，在QM9数据集上取得了最先进的结果，并在ZINC250k数据集上与参考分子显示出高度一致性。
-
新的图卷积注意力方法改进了光谱去噪
研究人员推出了一种新颖的图去噪和扩散方法——图卷积注意力（GCA），它提供了光谱视角。与标准的线性注意力不同，GCA直接利用输入图谱来提高去噪性能，尤其是在具有高光谱多样性的数据集上。该方法在图去噪和扩散任务中表现出了一致的改进，在合成和真实世界场景中均优于现有方法。