Normalizing Flow
PulseAugur coverage of Normalizing Flow — every cluster mentioning Normalizing Flow across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的贝叶斯框架通过面向目标的优化设计提升因果发现能力
研究人员开发了GO-CBED，一个新颖的面向目标的贝叶斯框架，用于序贯因果实验设计。该框架优化干预序列，直接最大化对特定感兴趣因果量的预期信息增益，而不是旨在推断整个因果模型。为了处理计算复杂性，该系统采用变分下界估计器，使用基于Transformer的策略网络和基于归一化流的变分后验进行训练。该方法在各种因果推理和发现任务中，尤其是在实验预算有限的情况下，表现优于现有方法。
-
新方法通过学习到的方差缩减来增强MCMC采样
研究人员开发了一种新方法来改进马尔可夫链蒙特卡洛（MCMC）方法，通过使用学习到的变换来减少估计中的方差。该方法涉及训练一个双射函数（如归一化流），将目标分布映射到潜在空间中的参考密度。通过在潜在空间中求解泊松方程，可以推导出显式的控制变量，然后将其变换回原始空间。该技术也适用于重要性采样，并在合成后验和真实世界后验的实验中显示出与现有最先进采样器相比有希望的结果。
-
新的回拉几何方法增强了多模态数据表示
研究人员开发了一种新的多模态数据回拉几何方法，该方法利用潜在高斯混合模型。该方法旨在通过允许数据点之间的路径比单模态高斯方法更有效地穿越高似然区域来提高几何表示的统计意义。新几何由基于分量精度的黎曼度量定义，已在自适应学习混合分量的归一化流中实现，在包括 MNIST 在内的各种数据集上显示出更少的传输失真和更真实的插值。
-
新框架保护3D点云中的语义隐私
研究人员开发了一个新的框架，用于保护3D点云数据中的语义隐私。该方法旨在隐藏原始类别信息，同时保持下游任务的效用并允许授权恢复。该方法利用共享骨干网络的归一化流、LoRA和FiLM的参数高效适配，以及扩散引导的流对齐来规范潜在分布。实验证明了有效的语义转换、原始类别信息泄露的减少、保护数据中学习能力和可靠重建的保持。
-
新研究论文详细介绍了贝叶斯逆问题中的“先验洗白”
一篇新研究论文介绍了“先验洗白”的概念，这是一种将学习到的生成先验用于病态贝叶斯逆问题的方法。该方法涉及在真实数据稀缺的情况下（例如在地震或医学成像中）使用历史重建的存档。论文认为，这个过程可能导致后验不确定性中继承的、无法检测到的过度自信，因为报告的不确定性可能反映了存档的信念，而不是数据的实际可分辨性。作者建议报告测量可分辨的方向，以区分数据支持的信心和继承的信念。
-
生成式AI和迁移学习增强工程代理建模
研究人员开发了一个新颖的概率多保真代理建模框架，该框架利用生成式AI和迁移学习来解决复杂工程系统中的数据稀疏性问题。该方法使用一个归一化流生成模型，首先在大量的低保真数据上进行预训练，然后在一个有限的高保真数据集上进行微调。这种方法能够进行准确的概率预测并量化不确定性，其性能优于传统的低保真基线模型，并减少了对昂贵的高保真仿真的需求。该框架已在基准系统上得到验证，展示了其在工程领域数据高效的AI驱动代理方面的潜力。
-
视觉MAE适用于时间序列异常检测
研究人员开发了VAN-AD，一个新颖的时间序列异常检测框架，该框架改编了在ImageNet上预训练的视觉掩码自编码器（MAE）。该方法旨在提高跨不同数据集的泛化能力，尤其是在训练数据有限的情况下。VAN-AD包含一个自适应分布映射模块以增强异常模式的检测，以及一个归一化流模块来估计数据窗口的概率密度，在多个真实世界数据集上表现优于现有的最先进方法。
-
AI利用强化学习估计食品材料属性
研究人员开发了一种新颖的方法，利用潜在空间强化学习来估计食品断裂模拟中的材料属性，并以橙子剥皮为例进行了演示。该方法训练了一个以目标为条件的近端策略优化（PPO）策略，以从断裂行为描述中预测材料参数，恢复率为0.642。通过进一步增强，包括使用CMA-ES进行热启动，恢复率提高到0.828，为逆向物理学提供了一个实用的框架，并为视觉驱动的材料识别提供了潜力。
-
New particle method slashes Bayesian inference costs
研究人员开发了 amortized mean-shift interacting particles，一种用于贝叶斯推理的新颖方法，可显著降低逆问题中积分评估的计算成本。与需要大量样本的传统蒙特卡洛方法不同，这种新方法使用学习到的映射在单次前向传递中生成加权节点，从而提高了效率。该方法在各种后验类型中都显示出改进的准确性和效率，包括像地下水模拟这样的复杂基于物理的模型，为现有的蒙特卡洛积分技术提供了帕累托改进。
-
新的FTIP方法增强了贝叶斯函数空间推理
研究人员推出了一种新颖的变分推理方法——流变换隐式过程（FTIP），旨在增强贝叶斯函数空间建模。FTIP通过采用归一化流为函数组合创建更具表现力的变分分布，从而解决了现有方法中的局限性。这使得FTIP能够更好地捕捉复杂的后验结构，例如不对称性和多模态性，而这些结构常常被传统的高斯近似平滑或压缩。
-
新方法增强了用于不确定性量化的共形预测
研究人员开发了共形预测的新方法，这是一种用于机器学习中不确定性量化的技术。第一种方法利用可微分的非一致性分数在输出空间上创建流，从而能够高效地采样共形边界并生成预测分布。第二种方法通过引入分支归一化流（BNF）来解决分布偏移问题，BNF 将测试输入归一化以匹配校准分布，并转换预测集以保持条件覆盖保证。
-
新的判别器信息重采样提高了高斯混合滤波器的准确性
研究人员开发了一种新方法，通过为重采样步骤引入学习到的判别器来改进集成高斯混合滤波器（EnGMF）。该判别器采用归一化流方法实现，旨在拒绝物理上不切实际的粒子样本。在 Ikeda 地图和 Lorenz '63 系统上的实验表明，与标准的 EnGMF 相比，这种判别器信息重采样在样本成员较少的情况下尤其能持续减少误差。
-
研究人员使用生成模型通过得分匹配解决量子动力学问题
研究人员开发了一种新颖的方法，通过学习玻姆轨迹上的得分函数来求解含时薛定谔方程。该方法利用神经网络参数化得分函数，并最小化自洽的Fisher散度，有效地将实时量子动力学重塑为由得分驱动的归一化流。该框架已在波包分裂和非谐振动方面得到验证，有可能将量子力学与现代生成建模工具相结合。