Doob's h-transform
PulseAugur coverage of Doob's h-transform — every cluster mentioning Doob's h-transform across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架使用变分 Doob-沃塞尔流学习不平衡种群动力学
研究人员开发了一种名为变分 Doob-沃塞尔流(VDWF)的无模拟新框架,用于学习不平衡种群动力学。该方法利用了不平衡平均场薛定谔桥理论,并通过学习具有数据依赖度量的几何模型来捕捉种群动力学的内在几何结构。VDWF框架通过 Doob 的 h-变换整合了边界信息,并在 Wasserstein-Fisher-Rao 空间中生成中间质量样本,同时学习动力学,而无需进行模拟。收敛速度通过均匀 Log-Sobolev 不等式进行分析,该方法在真…
-
新的 GFlowNet 混合框架增强了 AI 科学发现能力
研究人员开发了一个新的 GFlowNets 混合模型理论框架,用于改进 AI 驱动的科学发现中的状态空间探索和收敛性。该框架分为连续索引和离散索引的集合。连续索引方法可以被解释为一种随机特征扩展,增强了采样器的表达能力并降低了学习的不稳定性。离散索引方法为分层条件 (SC) GFlowNets 提供了基础,后者将状态空间分解并允许并行训练,从而在不增加计算成本的情况下加快学习收敛速度并改善模式覆盖。
-
引入无限维生成扩散模型的新框架
研究人员利用Doob的h变换开发了一种新颖的无限维生成扩散模型框架。该方法通过指数测度变换将参考扩散过程强制导向目标分布,比传统的时间反转方法具有更大的灵活性。该框架经过严格推导,并在合成数据和真实数据上进行了验证,有潜力通过得分匹配目标进行近似。
-
h-Flow 框架利用 Doob 的 h-Transform 实现灵活的图像编辑
研究人员推出了一种新颖的图像编辑框架 h-Flow,该框架利用 Doob 的 h-Transform 提供了一个理论基础。该方法将编辑重新表述为条件生成,平衡了源图像的一致性与目标提示的对齐。通过将 h-Transform 扩展到确定性反向扩散模型并采用速度正交分解,h-Flow 允许在重建和语义编辑之间进行可控的权衡,并在各种场景中证明了其有效性。