标签
本文引入稀疏先验以提升分布学习的理论保证，表明在稀疏先验下，样本复杂度以 Ω(√(k/n)) 的规模缩放，而非 O(n^{-1/Θ(d)})，从而缓解维度灾难。
该论文提出了一种快速的贝叶斯优化方法，用于从头发现，通过利用潜在空间中的线性模型，实现了超过现有方法100倍以上的加速，同时保持性能。
本文提出了一种基于flow-matching的模型，用于利用ADS-B数据预测飞机轨迹，在概率轨迹预测方面性能超越传统方法。
本文提出了非线性滤波生成模型方法的统一公式和实证比较，基于随机插值、流匹配和薛定谔桥推导出新的滤波器，并与现有方法进行比较。
MIT研究人员开发了一种名为HardFlow的新方法，该方法通过仅对最终输出施加要求，帮助生成式AI模型在高风险应用中满足严格的安全和任务特定约束，从而提高了机器人和控制系统等领域的性能。
论文介绍了DF26，这是一个用于检测AI生成的公开演讲视频的基准测试，表明人类和当前检测器的表现都接近随机猜测，凸显了对提高生成模型分布偏移鲁棒性的需求。
本文提出一个四级框架，根据控制器对生成操作的直接决策范围，将智能体视觉生成系统分类，从固定支持到经验自适应控制。
LeanGRPO通过引入无重计算的训练计划，消除扩散强化学习方法中的冗余重计算，在保持优化目标的同时实现高达1.83倍的速度提升。
本文探讨了自编码器参数与数据统计特性之间的联系，提出参数可以作为数据的向量表示，通过理论分析以及在CIFAR-10和FashionMNIST数据集上的实验进行了验证。
本文介绍了Quantile AlignTree Flow Matching (QAT-FM)，这是一种用于流匹配的结构化耦合方法，通过使用分位数对齐树构建层次化耦合，以实现非交叉路径和高效的高维生成任务训练。
这篇论文展示了因果公平机制，特别是因果图上的边切割，能够跨各种合成数据生成器家族移植，包括GANs和扩散模型，对数据保真度和实用性影响极小。
本文通过比较生成输出与训练数据的熵来研究大型语言模型中的条件多样性差距，并提出一个信息论框架来度量和缓解这一差距。
本文介绍了Elite-Weighted Supervised Fine-tuning（EW-SFT），这是一种用于目标导向分子优化的方法，它使用奖励来指导精英选择，并通过模型自身的损失进行更新，适用于各种生成架构和任务。
本文研究了推断时干预和权重巩固对开放生成式人工智能的影响，发现训练于价值过滤后的候选项可以提升平均质量，但并未超越经典启发式性能。
本文概述了支撑现代AI系统的20个关键机器学习模型，解释了它们在预测到生成艺术等各种任务中的作用。
本文介绍了用于等变图生成的Gromov-Monge流匹配，通过与标准架构兼容的结构感知耦合来提高样本质量。
GRAS是一种用于离散扩散模型奖励对齐的无训练方法，通过降低引导提议中的方差并自适应选择粒子，在DNA和蛋白质设计任务中实现了最先进的结果。
Magpie 是一个面向互动游戏的实时生成渲染系统，它将游戏逻辑与视觉生成分离，以降低资产制作成本并保持交互设计性。
本文介绍了 ActFlow，这是一种持续预训练方案，旨在扩展流模型和扩散模型的有效设计空间，从而实现分布外生成建模，并为科学发现提供可进化的搜索空间。