标签
This paper investigates how molecular generative models internally organize molecular identity in their latent spaces, revealing piecewise-constant regions and coarse-to-fine boundaries across three architectures.
介绍了CrystalGRPO，一个用于流基晶体结构预测的强化学习后训练框架，它对齐目标恢复并保持候选覆盖，在MP-20和MPTS-52基准上提升了Top-1和Top-20性能。
介绍了对抗性因果干预证伪（ACIF），这是一个顺序博弈，其中结构因果生成器提出观测分布和干预分布，而对抗性实验者选择干预以最大程度地证伪该生成器。论文提供了理论保证，包括有限样本收敛和模型选择，架起了因果生成建模、主动发现和实验设计之间的桥梁。
本文介绍了LC-GRPO，一种带有朗之万校正的基于流的GRPO框架，通过将随机训练轨迹与确定性ODE采样对齐来弥合训练与推理之间的差距，从而在SD3.5、FLUX.1-Dev和HunyuanVideo等模型上提升奖励优化效果。
This paper shows that matching a marginal Gaussian prior in factorized generative models does not prevent conditional style leakage, where style latents carry class information. Multiple remedies are explored, but the authors conclude that marginal statistics alone cannot certify class-invariance.
DiffImaginE是一篇研究论文，提出了一种基于扩散的多模态命名实体识别验证器，用条件潜扩散推理取代确定性想象，以实现更稳健的实体类型验证。
提出了分位数耦合流匹配（QC-FM），这是一种轻量级的单侧耦合方法，它沿着随机方向从数据秩构建源样本，无需成对成本矩阵或分配。在CIFAR-10、CelebA、FFHQ和ImageNet-64上，相比基线实现了高达12.9%的FID改进。
本文介绍了StraightDP，一个面向文本条件修正流Transformer的几何感知差分隐私框架。它将隐私预算进行划分，用于发布类条件矩并使用DP-SGD，在强隐私水平下相较于统一DP训练提高了准确率和FID。
本文提出使用来自预训练MLIP（如MACE）的原子平均特征作为粗粒度坐标，用于评估和指导无机晶体结构生成，并引入了一种在基于分布的框架中同时捕捉质量和新颖性的粗-细传输距离（CFTD）度量。
本文介绍了 PlatformBid，这是首个从统一广告平台视角设计的综合性自动出价基准，以及 BidFlow，一种基于流匹配的新型自动出价方法。实验表明，在快手在线测试中，BidFlow 将目标成本提升了 +0.68%。
本文介绍了SGFlow，一种为扩散模型学习流图的方法，该方法避免了可逆性约束和通过模型迭代的反向传播，在CIFAR上取得了有竞争力的FID分数，并具有经过证明的稳定点保证。
介绍C-VCE，这是一种扩散框架，它在生成模型中内置了一个可解释的概念瓶颈层，从而无需依赖外部噪声鲁棒分类器即可实现人类引导的视觉反事实解释。
本文建立了神经网络得分函数近似与基于得分的扩散模型中分布近似之间的严格定量联系，证明了准确的得分近似可以导致KL散度下紧密的分布近似，并给出了显式界。
对基于扩散的医学图像修复方法的系统性综述，涵盖架构、应用、数据集和评估策略，提出了分类方法并识别了挑战（如缺乏标准化基准）。
Chamaileon 提出了一个用于多靶点和多状态蛋白质结合子设计的框架，采用语境化的序列-结构联合建模和混合采样，实现了对不同构象景观和多靶点需求的适应性。
本文研究了将边界搜索知识蒸馏（CAKE）应用于瓶颈式生成自编码器时的失效情况，表明共享的潜在流形会产生梯度冲突，阻碍对比样本的有效合成。相反，本文提出了一种简单的噪声前向传播基线方法。
本文提出了一种基于分类学引导的评估协议，用于评估合成顺序表格数据的时间保真度，揭示了传统评估忽略了时间上的失败，并且考虑时间因素后排名结果存在显著差异。
这篇观点文章认为，由于严格的数学约束，生成模型的概率性扩展不足以用于量子电路生成，并提出了集成形式化方法的验证感知架构。
潜在行为在机器人领域越来越受关注，它使得从无动作标签的无标注视频中学习成为可能。DeepMind和FAIR的最新论文展示了从受控游戏环境到野外互联网视频的进展，有望实现模仿学习的可扩展训练。
介绍了HEDGEHOG，一个用于评估药物发现中分子生成模型的分层基准，揭示只有0.65%的生成分子通过了所有药物化学和对接筛选。