标签
本文介绍了V2TATC，一个用于空中交通管制员情境感知的联合语音-轨迹嵌入框架，并引入了一个用于拥挤空域跨模态检索实验的新型数据集。
This paper proposes a unified path-integral framework for generative modeling, showing that flow-based, diffusion-based, variational, and adversarial models arise from different evaluation principles of a single master action. It derives a one-loop correction that reduces tree-level error dramatically and introduces a response-weighted score-matching objective.
本文通过一个代价元组将十二种连续时间生成模型统一在平均场博弈论框架下，介绍了MFGLab（一个自动共享训练循环和求解器的PyTorch库），并提出了使用可微熵函数以改善模式覆盖的DI-Flow。
提出混合潜变量-结构融合（HLSF），一种加权异常融合框架，结合CP-APR结构异常分数与来自归一化流的隐空间密度分数，在真实受损用户凭证数据上提升了网络异常检测性能。
本文提出NFTR，一种用于离线目标条件强化学习的方法，该方法使用归一化流作为子目标策略，并采用三角松弛重新加权以解决层次隐式Q学习中的乐观偏差和模式坍缩问题。
Warp RL 用基于单调有理二次样条流的可逆状态条件变换替代强化学习中的加性残差修正，该变换作用于基础策略的动作分布，从而在动力学偏移下适应分布的形状、尺度和几何结构。在 ManiSkill3 操作任务中，Warp RL 与残差修正性能相当或更优，并在真实机器人插销任务中实现了任务完成速度提高 30%。
本文提出了一种基于物理信息的条件归一化流模型，用于地月环境中的仅角度轨道确定，实现了灵活的后验表示，并为经典算法提供了热启动。
MIMFlow 集成了掩码图像建模与归一化流，用于端到端图像生成，在 ImageNet 256x256 上实现了 2.50 的 FID，且使用的 token 数量比标准模型少 50%。
一种用于从OCO-2光谱中概率反演CO2柱浓度的深度学习框架，采用拉普拉斯近似和归一化流，相比传统方法实现了更快的推理和更好的不确定性量化。
提出NF-CoT，一种使用归一化流来建模LLMs中连续思维的潜在推理框架，保留了自回归优势，并以更低的成本实现了更好的代码生成性能。
提出了一种用于训练输入凸神经网络（ICNN）的“提升”方法，该方法使用无约束的超网络生成非负的层间权重，从而软化损失景观并避免梯度衰减，相比投影梯度下降和softplus重参数化，实现了更低的测试损失。
本文介绍了归一化轨迹模型（NTM），这是一种基于扩散生成的新颖方法，它将反向步骤建模为具有精确似然训练的有条件归一化流。NTM 仅需四个步骤即可实现高质量的文本到图像生成，同时保留了似然框架，在标准基准测试中优于基线方法。
STARFlow2 是一项新的研究论文，介绍了一种将语言模型与自回归归一化流相结合的架构，用于统一的多模态生成。它通过使用共享的因果掩码机制处理交错的文本-图像序列，解决了现有系统中的结构不匹配问题。
FFJORD 引入了一种可扩展的可逆生成模型，使用连续动力学和 Hutchinson 迹估计器实现无偏对数密度估计，无需架构约束。该方法在密度估计和图像生成方面达到了最先进的结果，同时保持高效的采样。