Esmeralda Whitammer
PulseAugur coverage of Esmeralda Whitammer — every cluster mentioning Esmeralda Whitammer across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Diffusion models adapted for complex inference and control tasks · 2 sources tracked
Researchers have developed new methods for using diffusion models as flexible priors in complex inference tasks. The first paper explores adapting diffusion models as plug-and-play modules for tasks like conditional gen…
-
新研究通过新颖的采样策略改进扩散模型训练
一篇新研究论文探讨了训练扩散模型从由非归一化密度或能量函数定义的分布中采样的各种方法。该研究对现有的基于仿真的变分和离策略生成流网络方法进行了基准测试，并对一些先前的说法提出了质疑。它还引入了一种新颖的离策略方法探索策略，利用局部搜索和回放缓冲区来提高各种目标分布的样本质量。作者已公开了他们用于这些采样方法和基准测试的代码，以促进扩散模型在摊销推理方面的未来研究。
-
新的GFlowNet方法联合推断贝叶斯网络结构与参数
研究人员开发了JSP-GFN，一种利用生成流网络（GFlowNets）联合推断贝叶斯网络结构和参数的新颖方法。该方法通过实现对这些元素的联合后验分布的近似，扩展了现有的GFlowNet应用，能够处理非线性模型和神经网络参数化。在模拟和真实世界数据上的实验表明，JSP-GFN提供了准确的近似，并且与现有方法相比表现良好。
-
GFlowNets 应用于解决复杂的组合优化问题
研究人员开发了一种使用 GFlowNets 的新方法来解决复杂的组合优化问题，这些问题通常对于传统算法来说过于困难。该方法包括为各种问题设计特定的马尔可夫决策过程，并训练条件 GFlowNets 以生成多样化的高质量解决方案。大量实验表明，这种基于 GFlowNet 的策略在高效找到一系列任务的最优或接近最优的解决方案方面非常有效。
-
新的“轨迹平衡”目标改进了 GFlowNet 学习
研究人员引入了“轨迹平衡”，这是生成流网络 (GFlowNets) 的一种新颖学习目标。这个新目标旨在改进 GFlowNets 中的信用分配，GFlowNets 用于从非归一化密度生成组合对象，如图和字符串。所提出的方法被认为是现有目标（如流匹配和详细平衡）的更有效替代方案，这些目标在处理长动作序列时可能会遇到困难。在四个领域的实验证明了轨迹平衡在提高 GFlowNet 收敛性、样本多样性和鲁棒性方面的有效性。