标签
一个将深度生成模型（流模型和基于分数的模型）与符号回归相结合的框架，能够从样本中自动推断未归一化概率密度的解析形式，并在玩具分布以及格点物理系统（如XY模型和φ⁴理论重整化）上进行了验证。
本文提出了一种特异性感知的扩散引导方法：基于重叠度目标函数构建显式目标分布，并使用方差缩减的序贯蒙特卡洛采样器对该分布进行采样，从而在图像生成和肽-MHC 结合肽预测任务中提升负向引导的有效性与采样的稳定性。
论文提出了EnJoi，一种用于生成式数据同化的集成联合得分滤波器，能够学习历史状态与未来状态的联合分布，使改进的En4DVar方法得以在当前状态与新增观测之间进行置信度权衡。在流体与交通流仿真上的实验表明，该方法在稀疏、非均匀观测条件下能显著提升状态重构精度。
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。
本文对扩散模型进行了以证明为导向的介绍，涵盖了朗之万动力学、基于分数的模型、离散化、离散扩散以及推理时控制，面向研究生读者。
本文提出了一种面向扩散模型的类频率引导噪声调度，为低频类别分配更大尺度的噪声，以改善在不平衡数据集上的生成质量，相较于基线方法取得了显著提升。
本文提出了一种用于约束扩散模型的原始-对偶推断方法，通过双重条件得分网络联合推断最优分布及其对偶变量，并提供了收敛性保证，在无线资源分配和投资组合管理中有应用。
本预印本提出了一个统一的测度论框架，用于理解扩散、基于分数和流匹配生成模型。它通过连续性/福克-普朗克方程建立了这些方法之间的联系，并分析了它们的采样方案及其理论保证。