Generative Modelling for Unsupervised Score Calibration
AGNITIO Research（AGNITIO研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）
分数校准使自动说话人识别器能够做出具有成本效益的接受/拒绝决定。传统的校准需要监督数据，这是一种昂贵的资源。我们提出了一个2分量GMM无监督校准，并表现出良好的性能相对于NIST SRE'10和SRE'12的监督基线。贝叶斯分析表明，与无监督校准参数估计值相关的不确定性是令人惊讶的小。
2014-02-14 cs.LG stat.ML
Generalised Flow Maps for Few-Step Generative Modelling on Riemannian Manifolds
University of Oxford（牛津大学）；Harvard University（哈佛大学）；Kempner Institute（凯普纳研究所）；Institute for Artificial Intelligence and Fundamental Interactions, MIT（人工智能与基本相互作用研究所，MIT）；Carnegie Mellon University（卡内基梅隆大学）；AITHYRA（AITHYRA研究所）；Mila（Mila研究所）；Imperial College London（伦敦帝国学院）
本文提出广义流映射（GFM）用于黎曼流形上的少步生成建模，通过自蒸馏方法提升现有生成模型性能。
2026-02-07 cs.LG
Riemannian Diffusion Schrödinger Bridge
University of Oxford（牛津大学）；ENS（巴黎高等师范学院）；CNRS（法国国家科学研究中心）；PSL University（巴黎文理研究大学）
基于分数的生成模型在密度估计和生成建模任务上表现出最先进的性能。这些模型通常假设数据的几何形状是平坦的，但最近的扩展已经发展到合成黎曼流形上的数据。现有的方法来加速采样的扩散模型通常不适用于黎曼设置和黎曼分数为基础的方法尚未适应的重要任务的数据集插值。为了克服这些问题，我们引入了\emph{Riemannian Diffusion Schrödinger Bridge}。我们提出的方法推广扩散薛定谔桥引入\cite{debortoli2021neurips}的非欧设置和扩展黎曼分数为基础的模型超出了第一次的时间反转。我们验证了我们提出的方法的合成数据和真实的地球和气候数据。
2022-07-07 cs.LG stat.ML
Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds
Yale University（耶鲁大学）；New York University（纽约大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
本文提出几何感知生成自编码器GAGA，通过结合流形学习与生成建模，学习扭曲黎曼度量以刻画数据流形几何，实现均匀采样、测地线生成和群体插值，在单细胞轨迹推断上比现有最优方法提升30%。
2025-04-07 cs.LG math.DG stat.ML
Reducing Memorisation in Generative Models via Riemannian Bayesian Inference
Department of Applied Mathematics（应用数学系）；Computer Science, Technical University of Denmark（计算机科学，丹麦技术大学）
本文通过黎曼贝叶斯推断减少生成模型中的记忆化，提升模型的泛化能力。
2026-01-30 cs.LG
Supplemental Material: Lifelong Generative Modelling Using Dynamic Expansion Graph Model
University of York（约克大学）
在这篇文章中，我们提供了使用动态扩展图模型的终身生成建模的附录。本附录包括其他视觉结果以及挑战性数据集的数值结果。此外，我们还提供了详细的证明所提出的理论分析框架。源代码可以在https://github.com/dtuzi123/Expansion-Graph-Model上找到。
2022-03-25 cs.LG
Diffusion Generative Modelling for Divide-and-Conquer MCMC
Lancaster University（兰卡斯特大学）
针对分治MCMC中子后验合并难以避免分布假设的问题，本文提出用扩散生成建模拟合子后验密度近似，在挑战性合并任务上优于现有方法，并更适用于高维场景。
2024-06-17 cs.LG stat.CO stat.ML
A prior-based approximate latent Riemannian metric
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）
随机生成模型使我们能够通过潜在空间中的黎曼度量来捕获位于高维空间中的数据流形的几何结构。然而，它的实际应用是相当有限的，主要是由于不可避免的复杂性。在这项工作中，我们提出了一个替代共形黎曼度量的生成模型，是简单，有效和强大的潜在空间。这个指标是基于一个可学习的先验知识，我们建议使用一个基本的基于能量的模型来学习。我们从理论上分析了所提出的度量的行为，并表明它是明智的，在实践中使用。我们证明实验的效率和鲁棒性，以及新的近似度量的行为。此外，我们显示了所提出的方法在生命科学中的数据分析的适用性。
2021-03-09 cs.LG stat.ML
Disentanglement Beyond Generative Models with Riemannian ICA
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出黎曼ICA，一种不依赖生成模型的解缠方法，通过引入解缠张量来研究局部解缠特性，为理解无生成假设下的特征解缠提供了理论基础。
2026-05-21 cs.LG
Deep Generative Modelling: A Comparative Review of VAEs, GANs, Normalizing Flows, Energy-Based and Autoregressive Models
深度生成模型是一类训练深度神经网络以对训练样本的分布进行建模的技术。研究已经分裂成各种相互关联的方法，其中每一种方法都需要权衡包括运行时、多样性和架构限制。特别是，本概要涵盖了基于能量的模型，变分自编码器，生成对抗网络，自回归模型，规范化流，以及许多混合方法。这些技术进行了比较和对比，解释了每个背后的前提以及它们是如何相互关联的，同时回顾了当前最先进的进展和实现。
2022-03-28 cs.CV cs.LG stat.ML
Riemannian AmbientFlow: Towards Simultaneous Manifold Learning and Generative Modeling from Corrupted Data
Department of Mathematics, University of California, Los Angeles（数学系，加州大学洛杉矶分校）；Department of Statistics and Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校）
提出Riemannian AmbientFlow框架，通过变分推断和数据驱动黎曼几何，从损坏观测中同时学习概率生成模型和非线性数据流形，并理论保证误差可控与双Lipschitz流形参数化。
2026-05-27 cs.LG math.DG math.OC
Efficient Generative Modeling with Unitary Matrix Product States Using Riemannian Optimization
Department of Mathematics, School of Sciences, Hangzhou Dianzi University（数学系，信息工程学院，杭州电子科技大学）；Department of Electrical and Electronic Engineering, The University of Hong Kong（电气电子工程系，香港大学）
本文提出利用Riemannian优化方法，通过单位ary MPS提升生成建模的效率和性能，实验表明其在数据适应性和稳定性方面表现优异。
2026-03-12 cs.LG
A Novel Variational Autoencoder with Applications to Generative Modelling, Classification, and Ordinal Regression
Aalto University（阿尔托大学）
我们开发了一种新的概率生成模型的基础上变分自动编码器的方法。值得注意的方面，我们的架构是：一种新的方式指定的潜变量之前，并引入了一个序数执行单元。我们描述了如何使用该模型进行监督，无监督和半监督学习，以及名义和顺序分类。我们使用两个基准数据集分析了该方法的生成特性，以及在名义分类和有序分类下的分类有效性。我们的研究结果表明，我们的模型可以在两个分类任务中实现与相关基线相当的结果。
2018-12-19 cs.LG stat.ML
Generative Adversarial Training for Text-to-Speech Synthesis Based on Raw Phonetic Input and Explicit Prosody Modelling
Adobe Systems（奥多比系统公司）
本文提出一个基于生成对抗训练的端到端语音合成系统，通过显式韵律建模和离散风格令牌，实现高表现力角色声音匹配。
2023-10-14 cs.LG
Black box behavioural modelling: Predicting human activity schedules with a deep conditional generative approach
Department of Civil, Environmental and Geomatic Engineering, University College London（土木、环境与地理工程系，伦敦大学学院）
研究旨在用深度条件生成方法预测人类活动日程，提出ActVAE方法，将日程建模为依赖多种信息的条件模型，能快速生成多样日程，经评估与基线模型比较，为现有方法提供替代，凸显建模人类行为随机性的价值。
2026-07-24 cs.LG
Classification via score-based generative modelling
在这项工作中，我们研究了基于分数的梯度学习在判别和生成分类设置中的应用。分数函数可以用来表征数据分布，作为密度的替代。它可以通过分数匹配有效地学习，并用于灵活地生成可信的样本，以提高区分性分类质量，恢复密度和构建生成式分类器。我们分析了涉及基于分数的表示的决策理论，并在模拟和真实世界的数据集上进行了实验，证明了它在实现和提高二进制分类性能方面的有效性，以及对扰动的鲁棒性，特别是在高维和不平衡的情况下。
2022-07-22 cs.AI cs.LG
Variational Autoencoders for Generative Modelling of Water Cherenkov Detectors
University of Manitoba（曼尼托巴大学）；TRIUMF；University of British Columbia（不列颠哥伦比亚大学）
物质-反物质不对称性是物理学中尚未解决的主要问题之一，可以通过当前和下一代中微子振荡实验中电荷宇称对称性破坏的精确测量来探索。在这项工作中，我们展示了变分自动编码器和归一化流的能力，以近似这些实验中常用的水切伦科夫探测器的模拟数据的生成分布。我们研究了这些方法的性能及其适用于半监督学习和合成数据生成。
2019-11-01 cs.LG hep-ex physics.ins-det
Generative Modelling With Inverse Heat Dissipation
Aalto University（阿尔托大学）
本文提出一种通过随机逆转热方程生成图像的新模型，利用图像多尺度结构实现由粗到细的生成，并展现出颜色与形状解耦等优于标准扩散模型的特性。
2023-04-12 cs.CV cs.LG stat.ML
Riemannian Geometry-Preserving Variational Autoencoder for MI-BCI Data Augmentation
本文提出保黎曼几何的变分自编码器，用于生成具有对称正定性质的EEG协方差矩阵，以提升MI-BCI的数据增强效果。
2026-03-11 cs.LG
Non-asymptotic Analysis of Diffusion Annealed Langevin Monte Carlo for Generative Modelling
Imperial College London（帝国理工学院）；The Alan Turing Institute（阿兰·图灵研究所）
在数据分布弱条件下，研究扩散退火朗之万蒙特卡洛（DALMC）的非渐近误差界，扩展至重尾扩散路径，为插值简单分布与数据分布的得分生成模型提供理论保证，拓宽了标准扩散方法视角。
2025-02-13 cs.LG math.PR stat.CO
Riemannian Continuous Normalizing Flows
University of Oxford（牛津大学）；Facebook Artificial Intelligence Research（脸书人工智能研究院）
规范化流已经显示出很大的承诺，灵活的概率分布建模在计算上易于处理的方式。然而，虽然数据通常在黎曼流形（如球面、鸟居和双曲空间）上自然地描述，但大多数归一化流隐含地假设平坦几何，使它们在这些情况下要么被错误指定，要么不适合。为了克服这个问题，我们引入黎曼连续规范化流，一个模型，它允许参数化的灵活概率测度光滑流形定义流的解决方案，常微分方程。我们表明，这种方法可以导致合成和真实世界的数据相比，标准流量或以前引入的预测流量的大幅改善。
2020-12-09 cs.LG stat.ML
Semi-Generative Modelling: Covariate-Shift Adaptation with Cause and Effect Features
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Univ. of Cambridge（剑桥大学）；Delft Univ. of Technology（代尔夫特理工大学）；Univ. of Copenhagen（哥本哈根大学）
目前的协变量移位自适应方法使用未标记的数据来计算重要性权重或域不变特征，而最终模型仅在标记数据上进行训练。在这里，我们考虑协变量移位的一个特殊情况，它允许我们从未标记的数据中学习，也就是说，将自适应与半监督学习相结合。使用因果关系的想法，我们认为，这需要学习的原因，$X_C$，和影响，$X_E$，一个目标变量，$Y$，并显示这种设置如何导致我们所谓的半生成模型，$P(Y,X_E|X_C,θ)$。我们的方法对因果特征分布中的域转移具有鲁棒性，并通过学习从原因到结果的直接映射来利用未标记的数据。在合成数据上的实验表明，在纯监督和重要性加权基线的分类显着改善。
2019-02-26 cs.LG stat.ML
Generative modelling with jump-diffusions
本文提出了一种基于跳跃扩散的生成模型，通过引入具有厚尾特征的跳跃噪声，改进了传统扩散模型的性能。
2026-02-06 cs.LG stat.ML
Fast ABC with joint generative modelling and subset simulation
University of Neuchâtel（纳沙泰尔大学）；University of Bern（伯尔尼大学）；University of Lausanne（洛桑大学）
我们提出了一种新的方法来解决高维输入和昂贵的前向映射的反问题。它利用联合深度生成建模将原始问题空间转移到低维潜在空间。通过联合建模输入和输出变量，并赋予潜在的先验分布，拟合的概率模型间接地提供了访问的近似条件分布的兴趣。由于模型误差和未知分布的观测噪声在实践中很常见，因此我们采用近似贝叶斯计算（ABC）进行无似然推理。我们的方法调用ABC通过子集模拟来探索潜在空间的区域，所生成的输出和观察到的输出之间的差异低于规定的阈值。我们诊断的多样性，通过监测这些区域的概率内容作为阈值的函数的近似后验解。我们进一步分析所得诊断曲线的曲率，以提出适当的ABC阈值。当应用到一个跨钻孔层析成像的例子，从地球物理学，我们的方法提供了有前途的性能，而不使用先验知识的前也不是噪声分布。
2021-04-16 cs.AI cs.LG stat.ME
Generative Adversarial Reduced Order Modelling
SISSA（国际高等研究学院）
本文提出GAROM，一种基于生成对抗网络的降阶建模新方法，通过将判别器建模为自编码器并引入条件机制，学习参数微分方程的解，并验证了其推断能力、泛化性和收敛性。
2025-01-30 cs.LG cs.NA math.NA
not-MIWAE: Deep Generative Modelling with Missing not at Random Data
Technical University of Denmark（丹麦技术大学）；Inria（法国国家信息与自动化研究所）；Laboratoire J.A. Dieudonné（迪厄多内实验室）
当缺失的过程依赖于缺失值本身时，需要显式建模并在进行基于似然性的推理时将其考虑在内。我们提出了一种方法，用于建立和拟合深度潜变量模型（DLVM）的情况下，缺失的过程是依赖于缺失数据。具体来说，深度神经网络使我们能够灵活地对给定数据的缺失模式的条件分布进行建模。这允许将关于缺失类型的先验信息（例如，自删失）并入模型中。我们的推理技术，基于重要性加权变分推断，涉及最大限度地降低联合可能性。通过在隐空间和数据空间中使用重新参数化技巧，得到了该界的随机梯度。我们在各种数据集和缺失模式上显示，明确地对缺失过程进行建模是非常宝贵的。
2021-03-18 cs.LG stat.ME stat.ML
PriorCVAE: scalable MCMC parameter inference with Bayesian deep generative modelling
University of Oxford（牛津大学）；Aalto University（阿尔托大学）；Institute of Science and Technology Austria（奥地利科学技术研究所）；University of Copenhagen（哥本哈根大学）；Imperial College London（伦敦帝国学院）
PriorCVAE通过以随机过程超参数为条件编码GP先验，实现超参数联合估计与可扩展MCMC推断，且适用于ODE解等模型，具有广泛实用性。
2023-11-10 cs.LG stat.ML
A Theory of Speciation in Generative Diffusion Models on Compact Riemannian Manifolds
University of Milan（米兰大学）
本研究建立紧致黎曼流形上生成式扩散模型的物种形成内蕴理论，刻画其分岔机制，推导相关估计与稳定性结论，经球面实验及神经网络学习方案验证。
2026-08-27 cs.LG
Universal randomised signatures for generative time series modelling
University Munich（慕尼黑大学）；Imperial College London（伦敦帝国学院）
本文提出基于离散时间随机签名的新型 Wasserstein 型距离，并以通用逼近结果支撑其用于度量条件分布，进而训练基于储层神经 SDE 的非对抗金融时间序列生成模型。
2024-09-06 cs.LG q-fin.MF stat.ML
Sequential Attend, Infer, Repeat: Generative Modelling of Moving Objects
University of Oxford（牛津大学）
我们提出了顺序参与，推断，重复（SQAIR），这是一种可解释的深度生成模型，用于移动对象的视频。它可以在整个帧序列中可靠地发现和跟踪对象，并且还可以根据当前帧生成未来帧，从而模拟对象的预期运动。这是通过在模型的潜变量中显式编码对象的存在、位置和外观来实现的。SQAIR保留了其前身的所有优势，参加，推断，重复（AIR，Eslami等。例如，2016），包括以无监督的方式学习，并解决其缺点。我们使用一个移动的多MNIST数据集来显示AIR在检测重叠或部分遮挡对象时的局限性，并展示SQAIR如何通过利用对象的时间一致性来克服这些局限性。最后，我们还将SQAIR应用于现实世界的行人CCTV数据，在那里它学会了在没有监督的情况下可靠地检测、跟踪和生成步行行人。
2018-11-21 cs.CV cs.LG stat.ML
A Generative Model for Natural Sounds Based on Latent Force Modelling
Queen Mary University of London（伦敦玛丽女王大学）
自然声音的子带振幅包络分析的最新进展已经导致令人信服的合成，显示子带振幅是感知的重要组成部分。概率潜变量分析特别具有启发性，但现有的方法不包含有关振幅包络的物理行为的先验知识，例如指数衰减和反馈。我们使用潜在的力量建模，概率学习范式，将物理知识纳入高斯过程回归，跨频谱子带包络模型的相关性。我们通过明确地对多个时间步长的相关性进行建模来增强标准的潜在力模型方法。对这种先验知识的阐述加强了对潜在函数作为产生信号的源的解释。我们通过一个实验来研究这种解释，该实验表明，从我们的概率模型中采样产生的声音被认为比基于非负矩阵分解的类似模型产生的声音更真实，即使在我们的模型从重建误差的角度来看表现出色的情况下。
2019-03-27 cs.LG cs.SD eess.AS
When Riemann flows with Wasserstein: Generative Modeling of Probability Distributions on Manifolds
Genentech Inc.（基因泰克公司）；Yale University（耶鲁大学）
针对非欧几里得域上的元分布生成问题，提出RWEFM框架，在黎曼流形的Wasserstein空间上利用最优传输速度回归训练，可生成单细胞和蛋白质构象，且适用于一般三角网格。
2026-09-23 cs.LG
Equitable modelling of brain imaging by counterfactual augmentation with morphologically constrained 3D deep generative models
University College London（伦敦大学学院）
我们描述了Countersynth，条件生成模型，诱导标签驱动的，生物上合理的变化，体积脑图像的变形。该模型的目的是合成反事实的训练数据增强下游的歧视性建模任务，保真度是有限的数据不平衡，分布不稳定，混杂，或规格不足，并表现出不公平的性能在不同的亚群。集中在人口统计属性，我们评估合成的反事实的质量与基于体素的形态测量，分类和回归的条件属性，和Fréchet的起始距离。在工程人口不平衡和混杂的背景下检查下游辨别性能，我们使用英国生物银行磁共振成像数据来对CounterSynth增强与当前解决这些问题的方案进行基准测试。我们实现了最先进的改进，无论是在整体保真度和公平。CounterSynth的源代码可以在线获得。
2021-11-29 cs.CV cs.LG
A Non-Adversarial Approach to Idempotent Generative Modelling
KTH Royal Institute of Technology（皇家理工学院）；Uppsala University（乌普萨拉大学）
针对IGNs因对抗性目标导致的模式崩溃与训练不稳定问题，提出NAIGNs，通过结合重构与IMLE的非对抗性生成目标，提升了数据恢复与生成能力，并隐式学习数据流形距离场。
2025-11-04 cs.LG
F-Divergences and Cost Function Locality in Generative Modelling with Quantum Circuits
Cambridge Quantum Computing Limited（剑桥量子计算有限公司）；Imperial College London（伦敦帝国理工学院）；University of Edinburgh（爱丁堡大学）
生成式建模是机器学习中一个重要的无监督任务。在这项工作中，我们研究了一个混合量子经典的方法来完成这项任务，基于使用的量子线路玻恩机。特别地，我们考虑使用$f$ -发散训练量子线路玻恩机。我们首先讨论生成建模的对抗框架，它可以在短期内估计任何$f$ -发散。基于这种能力，我们介绍了两种明显提高玻恩机训练的方法。第一种是基于训练过程中的$f$ -发散切换。第二个介绍了当地的分歧，一个战略，已被证明是重要的，在类似的应用程序，在减轻贫瘠的高原。最后，我们讨论了计算$f$发散量子设备的长期影响，包括算法，提供二次加速到他们的估计。特别是，我们推广现有的算法估计的Kullback-Leibler分歧和总的变化距离，以获得一个容错的量子算法估计另一个$f$ -分歧，即皮尔逊分歧。
2021-10-08 cs.LG quant-ph
Graph-based Deep Generative Modelling for Document Layout Generation
Computer Vision Center（计算机视觉中心）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；Indian Statistical Institute（印度统计研究所）
任何深度学习方法的主要先决条件之一是大规模训练数据的可用性。当在现实世界中处理扫描的文档图像时，其内容的主要信息存储在布局本身中。在这项工作中，我们提出了一个自动化的深度生成模型，使用图神经网络（GNNs）来生成具有高度可变和合理的文档布局的合成数据，这些文档布局可用于训练文档解释系统，在这种情况下，特别是在数字邮件收发室应用中。这也是第一个基于图形的方法，用于在管理文档图像（在本例中为发票）上进行的文档布局生成任务。
2021-07-09 cs.CV cs.LG
Riemannian-Geometric Fingerprints of Generative Models
USC Department of Computer Science（南加州大学计算机科学系）
针对生成模型指纹研究缺乏正式框架的问题，本文基于黎曼几何提出生成模型伪影与指纹的新定义及梯度计算算法，在多数据集、多架构、多模态下显著提升模型归因与泛化性能。
2025-10-28 cs.CR cs.CV cs.LG
Generative Modelling of Stochastic Rotating Shallow Water Noise
Imperial College London（帝国理工学院）
本文提出用生成式模型替代PCA来校准随机旋转浅水模型中的噪声，避免对增量施加正态分布约束，实验表明噪声非高斯且生成式建模在RMSE、CRPS和秩直方图上表现良好。
2024-03-15 cs.LG cs.NA math.DS
Intrinsic-Hybrid Latent Diffusion Models for Generative Modeling on Unknown Manifolds
School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学院）
该研究提出ILDM框架，将概率降维与未知流形几何感知扩散结合，通过混合扩散与近似去噪得分匹配方法，在三类数据集上实现生成质量提升，降低了FID和LPIPS分数。
2026-08-06 cs.LG stat.ML
Latent Dirichlet Allocation in Generative Adversarial Networks
University of Electronic Science and Technology of China（电子科技大学）
我们研究了基于生成对抗网络（GANs）的图像多模态生成建模问题。尽管现有的方法取得了成功，但它们往往忽略了视觉数据的底层结构或其多模态生成特性。为了解决这个问题，我们引入狄利克雷先验的多模态图像生成，这导致了一个新的潜在狄利克雷分配的GAN（LDAGAN）。详细地，对于生成过程建模，LDAGAN为每个样本定义生成模式，确定其属于哪个生成子过程。对于对抗训练，LDAGAN推导出一种变分期望最大化（VEM）算法来估计模型参数。在真实数据集上的实验结果表明，LDAGAN的性能优于其他现有的GANs。
2019-11-06 cs.CV cs.LG stat.ML
Temporarily-Aware Context Modelling using Generative Adversarial Networks for Speech Activity Detection
Queensland University of Technology（昆士兰科技大学）；SRI International（SRI国际研究所）
本文提出了一种新的语音活动检测（SAD）框架。受语音处理领域多任务学习方法最近取得的成功的启发，我们提出了一种新的SAD联合学习框架。我们利用生成对抗网络来自动学习损失函数，以联合预测逐帧语音/非语音分类以及下一个音频片段。为了利用输入信号中的时间关系，我们提出了一个时间序列，其目的是确保预测信号在时间上是一致的。我们在多个公共基准上评估了所提出的框架，包括NIST OpenSAT' 17，AMI会议和HAVIC，在这些基准上，我们展示了其优于最先进SAD方法的能力。此外，我们的跨数据库的评估表明，所提出的方法在不同的语言，口音和声学环境的鲁棒性。
2020-04-02 cs.LG cs.SD eess.AS
Generative modelling powered by room-temperature polariton condensates
School of Mathematical and Physical Sciences, University of Sheffield, Sheffield S10 2TN, United Kingdom（谢菲尔德大学数学与物理科学学院）；Department of Physics, City College of New York, New York, NY 10031, USA（纽约城市学院物理系）；Physics Doctoral Program, Graduate Center of the City University of New York, New York, NY 10016, USA（纽约城市大学研究生中心物理博士项目）；Chemistry Doctoral Program, Graduate Center of the City University of New York, New York, NY 10016, USA（纽约城市大学研究生中心化学博士项目）
利用有机染料微腔中室温激子-极化激元凝聚体的非线性多体动力学和固有随机性，作为生成对抗网络中的物理随机变换层，实现条件数字到图像翻译，优于数字注入扰动方法。
2026-06-16 cond-mat.dis-nn cs.LG physics.optics
Sampling from multi-modal distributions on Riemannian manifolds with training-free stochastic interpolants
CMAP, CNRS, Ecole polytechnique（CMAP、法国国家科学研究中心、巴黎高等师范学院）
本文提出了一种无训练的随机插值方法，用于在黎曼流形上高效采样多模分布，通过非平衡动力学和随机插值实现无需训练的高效采样。
2026-01-31 cs.LG stat.CO stat.ML
Riemannian Neural Geodesic Interpolant
Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）；School of Mathematics and Statistics, Fujian Normal University（福建师范大学数学与统计学学院）；Beijing Institute of Technology（北京理工大学）
提出黎曼神经测地插值模型，在黎曼流形上沿随机测地线插值两分布，并设计E-SDE算法提升采样质量，在S2和SO(3)上验证有效性。
2025-04-22 cs.LG stat.ML
A Primer on Variational Inference for Physics-Informed Deep Generative Modelling
University of Cambridge（剑桥大学）；Imperial College London（伦敦帝国理工学院）；London School of Economics and Political Science（伦敦政治经济学院）；The Alan Turing Institute（阿兰·图灵研究所）
本文针对物理驱动问题，介绍了变分推断（VI）在正/反问题中的技术应用，涵盖VI框架推导、深度学习实现及相关文献统一，助力科研受众解决物理问题并量化不确定性。
2025-04-14 cs.LG physics.comp-ph stat.ML
Hierarchical Graph-Convolutional Variational AutoEncoding for Generative Modelling of Human Motion
University College London（伦敦大学学院）；University of Cambridge（剑桥大学）
人体运动模型通常集中在轨迹预测或动作分类，但很少两者兼而有之。人类运动的显著异质性和复杂的组合性使得每个任务都容易受到现实世界场景中常见的数据退化和分布变化的影响。一个充分表达的生成性行动模型在理论上可以在一个适用于这两项任务的统一框架内实现数据调节和分布弹性。在这里，我们提出了一种基于分层变分自编码器和深度图卷积神经网络的新架构，用于在多个时间尺度上生成整体动作模型。我们展示了这种分层图卷积变分自编码器（HG-VAE）能够生成连贯的动作，检测分布外的数据，并通过模型后验的梯度上升来估算缺失的数据。在H3.6M和最大的开源人体运动数据集AMASS上进行训练和评估后，我们发现HG-VAE可以比基线模型更好地促进下游判别学习。
2022-06-06 cs.AI cs.CV cs.LG
Riemannian-Manifold Steering: Geometry-Aware Generative Autoencoders for Label-Free Steering
Martian；Harvard University（哈佛大学）；Thoughtworks；University of Utah（犹他大学）
提出将语言模型操控重新定义为激活空间上的黎曼测地线计算，通过基于输出空间Hellinger距离学习的编码器实现无标签、无拓扑先验的流形操控。
2026-06-06 cs.AI cs.LG
Generative Modelling with High-Order Langevin Dynamics
FRDC；Fujitsu（富士通）
本文提出高阶朗之万动力学（HOLD）生成建模方法，通过同时建模位置、速度和加速度，在CIFAR-10和CelebA-HQ上显著提升生成质量与速度，FID达到1.85。
2025-01-02 cs.AI cs.CV cs.LG
OGGN: A Novel Generalized Oracle Guided Generative Architecture for Modelling Inverse Function of Artificial Neural Networks
IIT Madras（印度理工学院马德拉斯分校）
本文提出了一种新的生成式神经网络结构，用于对人工神经网络（ANN）的反函数进行完全或部分建模。对ANN的完整反函数进行建模涉及生成对应于所需输出的所有特征的值。另一方面，对反函数进行部分建模意味着生成特征子集的值并固定其余特征值。特征集生成是人工神经网络的关键步骤，在工程和科学的一些实际应用中非常有用。建议的Oracle引导生成神经网络，被称为OGGN，是灵活的，以处理各种特征生成问题。通常，ANN能够基于给定的特征向量预测目标值。OGGN架构使得能够在给定ANN的预定目标值的情况下生成特征向量。当生成的特征向量被馈送到前向ANN时，ANN预测的目标值将接近预定目标值。因此，OGGN架构能够映射、反函数的函数表示为前向人工神经网络。除此之外，本工作还有另一个重要贡献。本文还介绍了一类新的函数，定义为约束函数。约束函数使得神经网络能够在较长的时间段内研究给定的局部空间。因此，除了能够找到全局最优之外，还能够找到损失函数的局部最优。OGGN也可以适用于求解多变量的多项式方程组。在合成数据集上的实验验证了OGGN在各种用例上的有效性。
2021-04-08 cs.LG
An effective potential for generative modelling with active matter
School of Mathematical Sciences, Queen Mary University of London（伦敦女王学院数学科学学院）
本研究提出一种基于有限关联时间活性粒子过程的生成扩散模型实现方法，通过施加含时有效势实现时间反转，经数值实验验证有效，为活性系统涨落用于生成式AI开辟新路径。
2025-09-02 cond-mat.soft cond-mat.stat-mech cs.LG
Synthetic but Not Realistic: The Evaluation Challenge in Generative Modelling for Structured Electronic Medical Records
Centre for Big Data Research in Health, the University of New South Wales（新南威尔士大学健康大数据研究中心）
针对合成电子病历评估过度依赖统计相似性而忽视临床有效性的问题，提出基于流行病学的多维度评估框架，发现当前生成模型虽能复现边缘分布，但无法同时保持亚组结构、效应估计和依赖关系，导致评估高估数据质量。
2026-06-08 cs.LG
Estimating friction coefficient using generative modelling
Loughborough University（拉夫堡大学）；University of New South Wales（新南威尔士大学）；Volvo Group Truck Technology（沃尔沃集团卡车技术公司）
通常利用动态模型来实时测量轮胎-道路摩擦。另外，预测方法估计轮胎-道路摩擦，通过识别环境因素影响it. This工作的目的是制定摩擦估计的问题作为一个视觉感知学习任务。该问题被分解成检测表面特征，通过应用语义分割和使用提取的特征来预测摩擦力。这项工作首次制定了摩擦估计问题作为一个回归的潜在空间的语义分割模型。初步结果表明，该方法可以估计摩擦力。
2023-03-10 cs.CV cs.LG
A Generative Model for Accelerated Inverse Modelling Using a Novel Embedding for Continuous Variables
Faculty of Georesources and Materials Engineering, RWTH Aachen University（亚琛工业大学地质资源与材料工程学院）
针对材料科学中逆建模找目标性能对应微观结构的不适定问题，提出基于浮点数二进制表示的新型连续变量嵌入策略，用于生成模型，无需归一化即可精细调控生成的微观结构，加速材料设计。
2024-05-21 cond-mat.mtrl-sci cs.LG
Generative Modelling of the Ageing Heart with Cross-Sectional Imaging and Clinical Data
Imperial College London（帝国理工学院）；UK Dementia Research Institute（英国痴呆症研究所）；Technical University of Munich（慕尼黑工业大学）；Fudan University（复旦大学）
心血管疾病是全球死亡的主要原因，是一种与年龄有关的疾病。了解心脏在衰老过程中的形态和功能变化是一个关键的科学问题，这个问题的答案将帮助我们确定心血管疾病的重要危险因素并监测疾病进展。在这项工作中，我们提出了一种新的条件生成模型来描述衰老过程中心脏的三维解剖结构的变化。所提出的模型是灵活的，并允许多个临床因素（如年龄，性别）整合到生成过程中。我们在心脏解剖结构的大规模横截面数据集上训练模型，并在横截面和纵向数据集上进行评估。该模型在预测衰老心脏的纵向演变和模拟其数据分布方面表现出出色的性能。这些代码可在https://github.com/MengyunQ/AgeHeart上获得。
2022-10-10 cs.CV cs.LG eess.IV
