标签
论文提出 CD-FFM，一种基于似然函数流匹配（likelihood functional flow matching）的生成式气候降尺度模型，可将再分析数据降尺度至1公里分辨率，在芬诺斯坎迪亚日气温数据上优于回归、神经算子和扩散模型，且采样速度极快并能给出精确似然。
该论文提出 Normalizing Flow Maps（NFM），一种可精确求逆的推前映射族模型，统一了 normalizing flows 与 flow maps，支持高效的精确似然评估与少步生成。在 CIFAR-10、ImageNet-64 条件图像生成以及 Boltzmann Generators 平衡采样任务上，在参数量匹配的条件下达到了 normalizing flows 的最先进水平。
这篇论文将事件序列预测重新表述为条件生成建模问题，提出了一个同时衡量预测准确性和分布真实性的基准，并引入Wasserstein BaryBooster算法，将扩散模型的真实感转化为预测精度。
论文提出一种面向路网轨迹生成的图约束生成范式——预判式生成建模（Anticipatory Generative Modeling），并提出模型 Foresight，通过“预判–选择–更新–重新预判”循环解决路口转移选择问题，超越扩散模型等基线方法。
该论文提出了一种以神经网络复杂度（Barron能量）为核心的最优传输框架，用以取代传统的 L² 动能，从而在概率测度空间上构建出新的几何结构；作者证明了在 Barron 几何下扩散生成模型是次优的（在超多项式 score 逼近能力下存在下界）。
提出GenST框架，利用微调后的大语言模型从节点描述中提取语义特征，结合时空VAE与生成式Transformer（GenT），在零样本条件下预测传感器网络中未观测节点的未来状态，显著优于现有基线。
Latent-Foresight 提出了一种端到端框架，联合学习隐空间分词器与基于流的生成式动力学模型，显式地为时序可预测性构建隐空间结构，在未来场景理解任务上优于两阶段流水线方法。
本文提出了 ReLOBGen，一种限价订单簿消息生成器。它通过从当前挂单簿中选择被引用的订单并屏蔽无效标记，在结构上保证了可重放性，在500条消息的滚动展开中实现了100%的可重放率，且在每条重放消息上的速度比 LOBS5 基线提升了2.7-3.6倍。
本文介绍了T-RoPE，一种针对序列推荐系统的旋转位置嵌入的时间感知改进，展示了在基准测试上的显著性能提升以及在电子商务中的实际影响。
本文介绍了Riemannian Wasserstein Entropic Flow Matching（RWEFM），这是一个用于建模黎曼流形上概率分布的生成框架，应用于单细胞生物学和蛋白质构象等科学领域。
该论文为大型语言模型提出了一个统一的概率框架，通过概率测度描述模型，通过最大似然估计进行训练，并将文本生成视为随机模拟过程，同时对幻觉现象和扩散模型的作用提供了深入见解。
本文介绍了一个连续时间生成动力学框架，该框架利用基于得分的模型在学习数据流形上生成任意时间戳的数据，应用于视频和科学数据。
本文介绍了VIOT，一种变分不可压缩最优传输算子，使用Fourier Neural Operator预测无散度速度场，以实现高效的不可压缩密度传输，比传统优化方法实现了数量级的加速。
本文提出了基于表示的遮蔽扩散模型（RMDM），该模型利用文本表示来改进遮蔽扩散模型中的并行令牌更新，特别是在少步采样中提升生成质量。
本文提出了CoMA-DiT，一种用于多模态脑状态解码中潜在增强的双向跨模态扩散变压器，它通过将配对模态用作相互监督信号来增强听觉注意力解码和情感识别等任务的性能。
本文揭示了连续与离散流匹配之间的对偶性，表明通过逐位置argmax投影连续凸插值路径可得到离散流，并探讨了不同源几何如何影响过渡时机和生成质量。
本文介绍了 Newton Matching，这是一种用于生成模型微调和采样的统一框架。它通过将学习视为迭代优化过程并利用条件匹配结构，解决了现有方法的局限性。
本文提出了CAT-OV和CAT-OT两种轻量级、无需训练的算法，它们基于曲率自适应调整流匹配采样中的步长，提升图像质量并将生成步数最多减少40%。
PathGuide 将无分类器引导的选择重新表述为基于流的生成模型中的在线策略传输问题，利用连续性方程的弱形式动态优化引导尺度，以提高样本保真度。
本文提出BFN-RL，一个基于Bayesian Flow Networks的统一生成建模框架，用于离线强化学习，能够生成跨越离散和连续状态空间的有效轨迹。