标签
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。
本文隔离了降噪得分匹配训练损失中的不可约多余项，表明它等于沿扩散轨迹的Fisher-Rao度量的迹，连接了变分原理、潜在空间几何和信息论。
FlowNeg是一种基于GFlowNet的方法，用于知识图谱嵌入中的多样困难负采样，通过生成上下文条件化的负样本来平衡硬度和多样性，而不将结构相似性视为绝对真理，从而提升性能。
介绍了重整化群流匹配（RGFM），这是一种生成框架，利用重整化群流进行可扩展的局部生成建模，从而提高全局一致性和计算效率。
一篇Google DeepMind研究论文表明，将验证器转化为生成式下一token预测器能显著提高推理准确性，通过推理时计算缩放实现链式思考验证，并提升在数学问题上的性能。
提出了一种基于引导离散扩散的模型无关品类优化框架，将品类表示为二进制向量，并使用奖励引导的逆向扩散来避免组合枚举。展示了在高维场景下的鲁棒性和高质量解决方案。
本文介绍了 Simplax，一种用于离散扩散模型的精确狄利克雷-类别增强方法，它在保留原始类别损坏过程的同时丰富了训练目标和逆向转移，在 OpenWebText 上改善了困惑度-熵权衡，在 Sudoku 上提高了有效性。