Generative Modeling
PulseAugur coverage of Generative Modeling — every cluster mentioning Generative Modeling across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DADiff框架使用扩散模型进行跨域强化学习
研究人员推出了一种新颖的基于扩散的框架DADiff，旨在解决强化学习中跨域策略适应的挑战。该方法通过利用生成模型来解决源域和目标域之间的动态不匹配问题。DADiff通过分析生成轨迹的差异来估计动态不匹配，并提供用于奖励修改和数据选择的变体，以有效地适应策略。理论分析支持该框架跨域性能差异的界定能力，实验表明其性能优于现有方法。
-
新专著勾勒深度学习理论从近似到涌现的蓝图
一本题为《从近似到涌现：深度学习理论》的新专著，提供了一个统一的、面向证明的现代深度学习理论叙述。本书追溯了该领域从近似和泛化等经典概念到过参数化、生成模型、Transformer和涌现等当代主题的演变。它旨在为研究人员和从业者提供一个严谨的深度学习理论图谱，强调其当前的强大之处、不完整性以及日益增长的对学习机制如何从规模、数据、架构和训练中产生的关注。
-
新的得分匹配方法有望实现生成模型的全局收敛
研究人员开发了一种新的生成模型得分匹配方法，该方法利用反向 Fisher 散度而非标准的正向 Fisher 散度。这种替代目标显示出改进的优化特性，特别是对于高斯混合模型。该研究在特定条件下证明了梯度下降的全局收敛性，表明学生分量可以收敛到接近其最近的教师分量，并为全变分距离收敛提供了保证。
-
新的 $L^2$ over Wasserstein 框架增强了随机测度的最优传输
研究人员引入了一个名为 $L^2$ over Wasserstein 空间的新框架，以解决最优传输中的统计不确定性。该框架将经典理论扩展到随机概率测度，保留了 Wasserstein 空间的黎曼结构，并实现了随机梯度流动力学。该方法为随机最优传输提供了一种统一的方法，有利于原则性推理和生成模型，并可以纳入 Transformer 模型中的随机 token 采样等理论。
-
Generalising maximum mean discrepancy: kernelised functional Bregman divergences
研究人员引入了一个新的函数式Bregman散度框架，将其应用扩展到希尔伯特空间和核方法。该方法利用这些空间的性质进行更方便的微积分和更容易的散度估计。该工作讨论了在聚类、通用估计、鲁棒估计和生成模型等领域的潜在应用。