Enhancing Latent Computation in Transformers with Latent Tokens
Alibaba Group(阿里巴巴集团)
本研究提出潜Token轻量方法,可参数高效地集成到预训练Transformer中调控解码,经合成任务验证,其在分布外泛化等场景显著优于基线,有望提升大语言模型适配性。
2025-05-19 cs.CL cs.LG
Advantage Amplification in Slowly Evolving Latent-State Environments
Google AI(谷歌人工智能);University of Alberta(阿尔伯塔大学)
具有长视野的潜在状态环境,例如推荐系统所面临的环境,对强化学习(RL)提出了重大挑战。在这项工作中,我们确定和分析了RL在这种环境中的几个关键障碍,包括信念状态错误和小动作优势。我们开发了一个一般原则的优势放大,可以克服这些障碍,通过使用时间抽象。我们提出了几种聚集方法,并证明它们在某些情况下诱导扩增。我们还约束了我们的方法在潜在状态演变缓慢的环境中所产生的最优性损失,并在风格化的用户建模任务中凭经验证明了它们的性能。
2019-05-29 cs.AI cs.LG stat.ML
Enhancing Interpretability in Generative Modeling: Statistically Disentangled Latent Spaces Guided by Generative Factors in Scientific Datasets
本文提出Aux-VAE架构,在标准VAE框架内通过辅助变量引入先验统计知识,以最小损失函数修改实现潜空间解耦,并在天文模拟等多个数据集上验证了其有效性。
2025-06-30 cs.LG stat.ML
MemWM: Associative Memory-Enhanced Latent World Models for Long-Horizon Planning
Shanghai Academy of AI for Science(上海人工智能科学研究院);Fudan University(复旦大学)
该研究针对潜在世界模型的表征坍塌等问题,提出结合JEPA预测与内容可寻址记忆库的记忆增强模型,经多数据集实验验证,其轻量级架构在长时序规划任务上实现了最优性能。
2026-11-09 cs.CV cs.LG
Learning Evolving Latent Strategies for Multi-Agent Language Systems without Model Fine-Tuning
Independent Researcher(独立研究者)
该研究提出一种无需微调的多智能体语言系统框架,通过双环架构实现持续策略进化,利用外部潜在空间提供可解释的抽象战略表示。
2026-01-05 cs.AI cs.LG
Dynamic Mixture of Latent Memories for Self-Evolving Agents
The Chinese University of Hong Kong(香港中文大学);University of Oxford(牛津大学);Nanyang Technological University(南洋理工大学);University of Edinburgh(爱丁堡大学);Shanghai Jiao Tong University(上海交通大学)
本文提出MoLEM框架,通过动态混合专家机制实现智能体的持续学习,避免灾难性遗忘,提升任务学习和能力保持。
2026-05-21 cs.LG
Adaptive Online Incremental Learning for Evolving Data Streams
China University of Petroleum(中国石油大学)
近年来,人们对在线增量学习的兴趣越来越大。然而,这一领域存在三大挑战。第一个主要的困难是概念漂移,即流数据中的概率分布会随着数据的到达而改变。第二大困难是灾难性遗忘,即在学习新知识时忘记了以前学过的东西。最后一个我们经常忽略的是潜在表征的学习。只有良好的潜在表示才能提高模型的预测精度。我们的研究建立在这一观察的基础上,并试图克服这些困难。为此,我们提出了一个自适应在线增量学习不断变化的数据流(AOIL)。采用带记忆模块的自动编码器,一方面获取输入的潜在特征,另一方面根据带记忆模块的自动编码器的重构损失,成功检测到概念漂移的存在,并触发更新机制,及时调整模型参数。此外,我们将隐藏层激活后的特征分为两部分,分别用于提取公共特征和私有特征。通过这种方法,模型可以学习新实例的私有特征,但不会忘记我们过去学习过的(共享特征),这减少了灾难性遗忘的发生。同时,为了得到融合特征向量,我们采用自注意机制对提取的特征进行有效融合,进一步完善了潜在表示学习。
2022-01-05 cs.LG
Hierarchical-Graph-Structured Edge Partition Models for Learning Evolving Community Structure
Great Bay Institute for Advanced Study(大湾区高等研究院);Great Bay University(大湾区大学);School of Computing and Information Technology(计算与信息技术学院)
提出一种基于 Poisson-gamma 边划分和层次图先验的动态网络模型,通过层次转移核建模潜在社区的演化与交互,在链路预测和社区检测任务上优于现有方法。
2024-11-18 cs.LG cs.SI
The Evolving Nature of Latent Spaces: From GANs to Diffusion
University of Zurich(苏黎世大学);Max Planck Society(马克斯·普朗克学会)
本文通过区分严格与广义综合、结合逐层表征干预实验,论证扩散模型分散了表征负担并挑战统一潜在空间假设,从而提出生成式AI应被理解为专门化过程的涌现配置而非内容的直接综合。
2025-11-10 cs.CV cs.CY cs.LG
A Generic Approach for Enhancing GANs by Regularized Latent Optimization
State University of New York at Buffalo(纽约州立大学布法罗分校);Microsoft Research, Redmond(微软研究院(雷德蒙德))
随着模型复杂性和数据量的快速增长,训练深度生成模型(DGMs)以获得更好的性能已经成为一个越来越重要的挑战。以往的研究主要集中在通过引入新的目标函数或设计更具表现力的模型结构来改进DGMs。然而,这样的方法通常引入显著更多的计算和/或设计开销。为了解决这些问题,我们在本文中介绍了一个通用的框架,称为{ \em生成模型推理},能够有效地增强预训练的GANs,无缝地在各种应用场景。我们的基本思想是使用Wasserstein梯度流技术有效地推断给定需求的最佳潜在分布,而不是重新训练或微调预训练的模型参数。在图像生成、图像翻译、文本到图像生成、图像修补和文本引导的图像编辑等应用上的大量实验结果表明了我们提出的框架的有效性和优越性。
2021-12-07 cs.CV cs.LG
Enhancing Domain Word Embedding via Latent Semantic Imputation
New Jersey Institute of Technology(新泽西理工学院);Stony Brook University(石溪大学)
本文提出了一种新的方法潜在语义填补(LSI),将外部知识转移到语义空间,以增强词嵌入。该方法结合图论来提取实体在亲和空间中的潜在流形结构,并利用标准单纯形约束的非负最小二乘和幂迭代方法来获得谱嵌入。它提供了一个有效的和高效的方法来组合实体表示定义在不同的欧几里德空间。具体来说,我们的方法生成并估算可靠的嵌入向量的低频词在语义空间和利益的下游语言任务,依赖于词嵌入。我们进行了全面的实验,精心设计的分类问题和语言建模,并证明了通过LSI的增强嵌入的优越性超过几个著名的基准嵌入。我们还证实了我们的方法在不同参数设置下的结果的一致性。
2019-05-21 cs.IR cs.LG stat.ML
A Latent Space Metric for Enhancing Prediction Confidence in Earth Observation Data
EURECOM(欧洲通信研究院);National Observatory of Athens(雅典国家天文台);BEYOND Center of Excellence(BEYOND卓越中心)
本文利用变分自编码器的潜在空间欧氏距离构建EO回归任务的置信度度量,并在蚊子丰度预测中验证其与绝对误差的显著相关性。
2024-06-11 cs.AI cs.LG
Enhancing Interpretability of Sparse Latent Representations with Class Information
School of Electrical and Computer Engineering, University College of Engineering, University of Tehran(电气与计算机工程学院,工程学院,塔里班大学)
针对变分稀疏编码(VSC)无法保证同类样本潜在表示激活维度一致性的问题,提出引入新损失函数实现同类样本激活维度对齐的方法,可同时捕捉全局和类别特定因子,提升潜在空间可解释性与实用性。
2025-05-20 cs.CV cs.LG
Models for Capturing Temporal Smoothness in Evolving Networks for Learning Latent Representation of Nodes
Indiana University Purdue University(印第安纳大学普渡大学);Nanyang Technological University(南洋理工大学);Wheaton College(惠顿学院)
在动态网络中,顶点的邻域在网络的不同时间快照中演化。对这种时间演变的准确建模可以帮助解决涉及现实生活中的社交和交互网络的复杂任务。然而,现有的模型用于学习潜在表示是不够的,以有意义的方式获得不同的时间戳的动态网络的顶点的表示向量。在本文中,我们提出了动态网络的潜在表示学习模型,通过考虑两种不同的时间平滑性来克服上述限制:(i)翻新,和(ii)线性变换。改进后的模型随时间跟踪顶点的表示向量,便于对网络进行基于顶点的时间分析。另一方面,基于线性变换的模型提供了一个平滑的过渡算子,该算子将所有顶点的表示向量从一个时间快照映射到下一个(未观察到的)快照,这有助于预测未来时间戳中的网络状态。我们验证了我们提出的模型的性能,采用它们来解决时间链接预测任务。在不同领域的9个真实网络上的实验验证了所提出的模型在预测演化网络动态方面明显优于现有模型。
2018-04-16 cs.LG cs.SI stat.ML
Enhancing Interpretability Through Loss-Defined Classification Objective in Structured Latent Spaces
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);University of Kaiserslautern-Landau (RPTU)(凯泽斯劳滕-兰道大学)
针对数据驱动监督学习模型可解释性不足的问题,提出融合距离度量学习的Latent Boost方法,通过约束类别潜在表征高度聚类,在低额外成本下提升分类可解释性与训练收敛速度,为平衡分类性能与模型透明度提供新范式。
2024-12-11 cs.AI cs.LG
Self-evolving Autoencoder Embedded Q-Network
Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR)(信息通信研究院,新加坡科技研究局(A*STAR));Center for Data Sciences, International Institute of Information Technology Bangalore (IIITB)(班加罗尔国际信息技术学院数据科学中心);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);A*STAR Centre for Frontier AI Research(新加坡科技研究局前沿人工智能研究中心)
提出SAQN方法,将自演化自编码器嵌入Q网络,通过偏差-方差调节策略动态调整架构,在多个基准和分子环境中显著提升强化学习智能体的探索与决策能力。
2024-02-18 cs.LG
Balancing the Scales: Enhancing Fairness in Facial Expression Recognition with Latent Alignment
Birla Institute of Technology and Science, Pilani(比拉理工科学与 Pilani 学院)
针对真实FER数据集因人工标注和群体表征不均导致的人口统计偏见与类别不平衡问题,本文提出基于隐空间的表征学习方法,以提升面部表情识别模型的公平性和整体准确率。
2024-10-25 cs.CV cs.LG
Encoding Binary Concepts in the Latent Space of Generative Models for Enhancing Data Representation
University of Southern California(南加州大学)
二元概念被人类经验性地用于有效地概括。它们基于伯努利分布,这是信息的构建块。这些概念涵盖了低级和高级特征,例如“大与小”和“神经元是活跃的还是不活跃的”。二元概念是普遍存在的特征,可以用来传递知识以提高模型的泛化能力。我们提出了一种新的二进制正则化,以促进二进制概念的学习,以提高自动编码器中数据生成的质量。在数据生成过程中引入二值化超参数$r$,对称地解开潜在空间。我们证明,这种方法可以很容易地应用到现有的变分自编码器(VAE)的变种,以鼓励对称解纠缠,提高重建质量,并防止后崩溃,而无需计算开销。我们还证明了这种方法可以提高现有的模型,学习更多的可转移的表示,并产生更多的代表性样本的输入分布,可以减轻灾难性遗忘使用生成重放下持续学习设置。
2023-03-22 cs.CV cs.LG
An Online Evolving Framework for Modeling the Safe Autonomous Vehicle Control System via Online Recognition of Latent Risks
The Ohio State University(俄亥俄州立大学);Ford Motor Company(福特汽车公司)
提出了一种在线进化框架,通过使控制器能够识别意外情况并通过选择更好的动作做出适当的反应,来支持安全的自动车辆(AV)控制系统建模。在该框架内,引入了不断发展的有限状态机(e-FSM),它是一种在线模型,能够(1)根据需要唯一地确定状态,(2)识别状态,(3)识别状态转换。在这项研究中,电子有限状态机的功能进行了解释和说明,通过模拟一个简单的汽车跟随的情况。作为车辆控制器,实现了智能驾驶员模型(IDM),并为后续车辆分配了不同的IDM参数集,以模拟各种情况(包括碰撞)。在仿真跟驰过程中,e-FSM通过提出的方法识别和确定状态,并确定转移矩阵。为了验证e-FSM是否能够唯一地识别和确定状态,我们分析了在相同的情况下是否识别相同的状态。预测和识别状态的概率分布之间的差异是测量的詹森-香农散度(JSD)的方法,以验证识别的过渡矩阵的准确性。如结果所示,具有潜在碰撞风险的死端状态是唯一确定的,并且是一致识别的。此外,预测的状态的概率分布是显着相似的识别状态,声明状态转换被精确识别。
2019-08-28 cs.LG cs.NE cs.RO
Enhancing Drug Discovery: Autoencoder-Based Latent Space Augmentation for Improved Molecular Solubility Prediction using LatMixSol
University of Birjand(比尔詹德大学)
针对药物发现中分子溶解度预测的数据不足问题,提出LatMixSol框架,通过自编码器特征压缩与簇内MixUp插值生成合成数据,在Huuskonen基准上显著提升了多个梯度提升回归器的预测精度。
2025-05-30 cs.LG q-bio.QM
DisCo-Diff: Enhancing Continuous Diffusion Models with Discrete Latents
MIT(麻省理工学院);NVIDIA(英伟达)
DisCo-Diff通过引入可学习的离散潜变量简化连续扩散模型对复杂数据分布的建模,降低生成ODE曲率,在图像合成和分子对接等任务上取得最先进性能。
2024-07-03 cs.AI cs.CV cs.LG
villa-X: Enhancing Latent Action Modeling in Vision-Language-Action Models
villa-X提出ViLLA框架,改进潜在动作的学习与整合,实现零样本生成动作计划,在模拟和真实机器人任务中表现优越,为可泛化操作策略提供可扩展范式。
2025-09-25 cs.AI cs.LG cs.RO
Beyond Static Graph World Models: Learning Stochastic Latent Dynamics over Evolving Topologies
Oxford Robotics Institute(牛津机器人研究所);University of Oxford(牛津大学)
本文提出图动力学模型(GDM),用于随机和部分可观测环境中演化拓扑的图世界模型,并引入图分布距离(GDD)度量,实验证明其优于基线并具备大图零样本泛化能力。
2026-09-25 cs.AI cs.LG cs.SI
Enhancing Variational Autoencoders with Smooth Robust Latent Encoding
Korea University(韩国大学);Microsoft(微软);KAIST(韩国科学技术院)
提出SRL-VAE对抗训练框架,通过平滑潜在空间并正则化原始表示,在最小计算开销下同时提升预训练VAE的生成质量与鲁棒性,实验证明其在图像重建、编辑及对抗攻击下均有效。
2025-04-24 cs.AI cs.CR cs.LG
Enhancing Continuous Time Series Modelling with a Latent ODE-LSTM Approach
Centre of Mathematics (CMAT)(数学中心(CMAT));University of Minho(米尼奥大学);University of Porto(波尔图大学)
针对连续时间序列建模中 Latent ODE 类模型训练困难的问题,本文提出以 ODE-LSTM 为编码器并结合梯度范数裁剪的 Latent ODE-LSTM,实验证明其性能更优且可缓解梯度消失与爆炸。
2023-07-11 cs.LG math.OC
Enhancing OOD Detection Using Latent Diffusion
Institute for Clarity in Documentation(清晰文档研究所);Inria Paris-Rocquencourt(巴黎-罗克Quantin研究院);Rajiv Gandhi University(拉贾·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕勒尔研究实验室);Fudan University(复旦大学)
提出异常感知学习(OAL)框架,在潜在空间利用稳定扩散合成OOD训练数据,结合互信息对比学习和知识蒸馏,提升OOD检测性能并降低计算成本。
2025-08-04 cs.LG stat.ML
Enhancing Conditional Image Generation with Explainable Latent Space Manipulation
College of Computing, Georgia Institute of Technology(佐治亚理工学院计算学院)
本文提出结合扩散模型、潜在空间操控与 Grad-SAM 梯度选择性注意力的方法,通过在去噪特定时间步生成掩码保留主体并融合参考图像特征,在 places365 上取得最低 FID 和高 CLIP 分数,提升了文本到图像合成的保真度与文本一致性。
2024-08-29 cs.AI cs.CV cs.LG
Enhancing Unimodal Latent Representations in Multimodal VAEs through Iterative Amortized Inference
The University of Tokyo(东京大学);Graduate School of Engineering(工学院)
针对多模态VAEs在模态缺失时推断不准确的问题,提出多模态迭代摊还推断机制,通过迭代细化多模态后验并对齐单模态推断,有效提升单模态输入的表示推断与跨模态生成性能。
2024-10-15 cs.AI cs.LG
Evolving Voices Based on Temporal Poisson Factorisation
Faculty of Mathematics and Physics, Charles University(数学与物理学院,查尔斯大学);WU Vienna University of Economics and Business(维也纳经济与商业大学);Paris Lodron University of Salzburg(萨尔茨堡巴黎洛登大学)
本文提出时间泊松因子分解(TPF)模型,通过一阶自回归或随机游走建模时变潜在变量,利用变分推断分析30余年美国参议院政治演讲中潜在主题及词汇的演变。
2025-09-12 cs.LG stat.ME
Debiasing Diffusion Model: Enhancing Fairness through Latent Representation Learning in Stable Diffusion Model
National Cheng Kung University(成功大学)
针对扩散图像生成模型继承数据集偏见且传统去偏依赖预定义敏感属性的问题,提出 DDM,利用指示器学习平衡潜在表示以增强公平性。
2025-03-16 cs.CV cs.CY cs.LG
Separating and Learning Latent Confounders to Enhancing User Preferences Modeling
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院)
本文提出SLFR框架,将前一个推荐系统作为未测量混淆因子的代理,通过解耦用户偏好与混淆因子来识别反事实反馈,从而提升推荐模型对真实用户偏好的建模能力。
2024-04-02 cs.AI cs.IR cs.LG
FairDiffusion: Enhancing Equity in Latent Diffusion Models via Fair Bayesian Perturbation
Harvard Medical School(哈佛医学院);New York University(纽约大学);New York University Abu Dhabi(纽约大学阿布扎比分校);Harvard University(哈佛大学);Broad Institute of MIT and Harvard(麻省理工学院与哈佛大学博德研究所)
针对医疗文本到图像扩散模型在不同人口亚组间生成质量不公平的问题,提出公平感知模型FairDiffusion与数据集FairGenMed,通过贝叶斯扰动提升图像质量与临床特征语义相关性,显著缓解了性别、种族偏见。
2025-04-05 cs.CV cs.LG
BaBE: Enhancing Fairness via Estimation of Latent Explaining Variables
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Università di Roma “La Sapienza”(罗马第一大学(萨皮恩扎大学));Inria Saclay(法国国家信息与自动化研究所萨克雷分所);École Polytechnique(巴黎综合理工学院)
本文提出 BaBE 方法,结合贝叶斯推断与期望最大化估计潜在解释变量 E,以在敏感属性与合法属性相关时实现公平决策,实验表明其兼顾公平性与准确率。
2024-05-06 cs.AI cs.CY cs.LG
Enhancing anomaly detection with topology-aware autoencoders
Durham University(杜伦大学);University of Warsaw(华沙大学)
提出将自编码器潜在空间设计为反映能量-动量守恒的球面、乘积和射影流形,并在强子顶夸克衰变模拟中证明其可提升异常事件检测的灵敏度与鲁棒性。
2025-02-14 cs.LG hep-ex hep-ph
Recurrent Coupled Topic Modeling over Sequential Documents
University of Macau(澳门大学);University of Technology Sydney(悉尼科技大学)
丰富的连续文档,如在线档案,社交媒体和新闻源,以流式方式更新,其中每个文档块都与平稳发展但相关的主题相结合。这些数字文本吸引了广泛的研究动态主题建模,以推断隐藏的不断变化的主题及其时间依赖性。然而,大多数现有的方法专注于单主题线程的演变,忽略了一个事实,即当前主题可能与多个相关的先前主题相耦合。此外,这些方法还引发了棘手的推理问题时,推断潜在的参数,导致高的计算成本和性能下降。在这项工作中,我们假设一个当前的主题演变从所有先前的主题与相应的耦合权重,形成多主题线程的演变。我们的方法对不断发展的主题之间的依赖关系进行建模,并对它们在时间步长上的复杂多耦合进行彻底编码。为了克服难以处理的推理挑战,提出了一种新的解决方案与一组新的数据增强技术,它成功地分解了多个不断发展的主题之间的耦合。从而得到一个完全共轭的模型,以保证推理技术的有效性和效率。一种新的吉布斯采样器与向后-向前滤波算法有效地学习潜在的时间演化参数的封闭形式。此外,潜在的印度自助餐过程(IBP)的复合分布被利用来自动推断整体的主题数量和定制的稀疏主题比例为每个顺序的文档没有偏见。在合成数据集和真实数据集上对所提出的方法进行了评估,并与竞争基线进行了比较,证明了该方法在低单词困惑度,高连贯性主题和更好的文档时间预测方面优于基线。
2021-06-23 cs.IR cs.LG
Learning Latent Hardening (LLH): Enhancing Deep Learning with Domain Knowledge for Material Inverse Problems
Duke University(杜克大学);Delft University of Technology(代尔夫特理工大学)
本文提出学习潜在硬化(LLH)两步框架,利用领域知识从应力-应变曲线重建与预测多孔材料微观结构特征,并证明领域知识引导的模型在数据稀缺场景下能取得更高预测精度。
2025-04-09 cond-mat.mtrl-sci cs.CE cs.LG
Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes
NTT Corporation(日本电信电话株式会社);Kyoto University(京都大学)
包括传染病爆发、社交网络活动和犯罪在内的一系列事件无处不在,关于这些事件的数据携带了关于社区之间潜在扩散过程的基本信息(例如,区域、在线用户组)。对扩散过程进行建模和预测未来事件在许多应用中至关重要,包括流行病控制、病毒营销和预测性警务。Hawkes过程提供了一个模拟扩散过程的中心工具,其中来自过去事件的影响由触发核描述。然而,控制每个社区如何受到过去事件影响的触发内核参数被假设为随时间推移是静态的。在现实世界中,扩散过程不仅取决于过去的影响,而且还取决于社区的当前(时间演变)状态,例如,人们对疾病的认识和人们当前的兴趣。在本文中,我们提出了一种新的霍克斯过程模型,能够捕捉背后的扩散过程的社区状态的基本动力学和预测的基础上发生的事件的动力学。具体来说,我们的潜在的动态功能,编码这些隐藏的动态混合神经网络。然后利用潜在动态函数及其积分设计触发核。所提出的方法,称为DHP(动态霍克斯过程),提供了一种灵活的方式来学习复杂的表示的时间演变社区的状态,而在同一时间,它允许计算的确切的可能性,这使得参数学习听话。在四个真实事件数据集上的大量实验表明,DHP优于五种广泛采用的事件预测方法。
2021-06-06 cs.LG cs.SI
Evo: Autoregressive-Diffusion Large Language Models with Evolving Balance
University of Oxford(牛津大学);National University of Singapore(新加坡国立大学);Technical University of Munich(慕尼黑技术大学);Carnegie Mellon University(卡内基梅隆大学)
Evo通过进化平衡机制,结合自回归和扩散模型,实现高效且高质量的语言生成。
2026-02-20 cs.AI cs.LG
Enhancing AI Accessibility in Veterinary Medicine: Linking Classifiers and Electronic Health Records
University of California Davis(加州大学戴维斯分校)
针对兽医学中EHR系统僵化和IT资源有限导致ML分类器难以整合的问题,本文提出免费软件Anna,实现EHR实验室数据的实时ML分类结果输出。
2024-10-18 cs.IR cs.LG
CORAL: Concept Drift Representation Learning for Co-evolving Time-series
University of Shherbrooke(谢布鲁克大学)
本文提出 CORAL 方法,将时间序列建模为演化生态系统,通过核诱导自表示学习生成表示矩阵以识别和适应概念漂移,提升了协演化时间序列分析的适应性与准确性。
2025-01-31 cs.AI cs.LG
LOGAN: Latent Optimisation for Generative Adversarial Networks
DeepMind
训练生成对抗网络需要平衡微妙的对抗动态。即使经过仔细的调整,训练也可能会出现分歧,或者最终以放弃模式的不佳平衡而告终。在这项工作中,我们使用基于自然梯度的潜在优化来改进CS-GAN,并表明它通过增强机器人和生成器之间的交互来改善对抗动态。我们的实验表明,潜在优化可以显着改善GAN训练,获得ImageNet($128 \times 128$)数据集的最新性能。我们的模型实现了$148$的初始得分(IS)和$3.4$的Fréchet初始距离(FID),与具有相同架构和参数数量的基线BigGAN-deep模型相比,IS和FID分别改进了$17\%$和$32\%$。
2020-07-01 cs.LG stat.ML
Wormhole: Concept-Aware Deep Representation Learning for Co-Evolving Sequences
Université de Sherbrooke(谢布鲁克大学)
本文提出 Wormhole 框架,通过自表示层与时间平滑性约束实现协同演化序列的动态概念识别与转换检测,提升了时间序列分割与概念漂移检测的可解释性。
2024-09-20 cs.AI cs.LG
Learning In-between Imagery Dynamics via Physical Latent Spaces
Dartmouth College(达特茅斯学院)
提出一个通过物理潜空间学习连续时间图像间动态的框架,利用PDE潜变量实现可解释性,并在地球科学图像数据上验证了鲁棒性和有效性。
2023-10-14 cs.CV cs.LG stat.ML
PG-LBO: Enhancing High-Dimensional Bayesian Optimization with Pseudo-Label and Gaussian Process Guidance
Nanjing University(南京大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Southeast University(东南大学)
提出PG-LBO方法,利用伪标签技术挖掘未标注数据并引入高斯过程引导,统一VAE与GP训练,构建判别性潜在空间,提升高维贝叶斯优化性能。
2023-12-28 cs.AI cs.LG
Feature Selection for Latent Factor Models
Department of Statistics, Florida State University(佛罗里达州立大学统计系)
本文提出一种基于低秩生成模型和信噪比准则的逐类特征选择方法,在理论保证和标准分类数据集上优于现有方法。
2026-10-21 cs.LG stat.AP
LatentExplainer: Explaining Latent Representations in Deep Generative Models with Multimodal Large Language Models
Emory University(埃默里大学);University College London(伦敦大学学院)
LatentExplainer通过多模态大语言模型为深度生成模型的潜在变量生成语义解释,提升模型可解释性。
2025-12-18 cs.CL cs.CV cs.LG
Ada-Diffuser: Latent-Aware Adaptive Diffusion for Decision-Making
University of California San Diego(加州大学圣地亚哥分校);Carnegie Mellon University(卡内基梅隆大学);MBZUAI;Stanford University(斯坦福大学);Johns Hopkins University(约翰霍普金斯大学)
本文提出Ada-Diffuser,通过显式建模潜在动态过程,提升决策制定的精度与适应性,实验验证其在模拟控制与机器人基准中的有效性。
2026-05-15 cs.AI cs.LG
Sequential Monte Carlo Inference of Mixed Membership Stochastic Blockmodels for Dynamic Social Networks
Graduate School of System Informatics, Kobe University(神户大学系统信息学研究科)
许多类型的数据可以表示为网络或图形。推断这种网络的潜在结构并预测网络中未观察到的链接至关重要。混合隶属度随机块模型(MMSB)是一种很有前途的网络数据模型。MMSB中的潜在变量和未知参数已经通过贝叶斯推断对整个网络进行了估计;然而,在线估计它们对于不断发展的网络很重要。在本文中,我们首先开发在线推理方法MMSB通过顺序蒙特卡罗方法,也被称为粒子滤波器。然后,我们扩展它们的时间演化网络,考虑到网络结构的时间依赖性。我们通过实验证明,时间相关的粒子滤波器优于几个基线的预测性能在线条件。
2013-12-07 cs.LG cs.SI stat.ML
Dynamic causal discovery in Alzheimer's disease through latent pseudotime modelling
King’s College London(伦敦国王学院)
本文提出利用潜在伪时间模型对阿尔茨海默病进行动态因果发现,推断独立于年龄的疾病轨迹并学习因果关系的演变,在诊断预测上优于年龄,并揭示了新型与经典AD标志物间的动态交互。
2025-11-06 cs.CE cs.LG stat.AP
Enhancing Cloud Security through Topic Modelling
University of Western Ontario(西安大略大学);IBM Canada Lab.(IBM加拿大实验室)
本文提出利用基于 LDA 和 PLSA 的主题建模分析 CI/CD 日志、报告与部署追踪,以识别安全主题并提前发现云环境漏洞。
2025-06-27 cs.CR cs.LG cs.SE
Enhancing Image Resolution of Solar Magnetograms: A Latent Diffusion Model Approach
Institute for Data Science, University of Applied Sciences North Western Switzerland (FHNW)(数据科学研究所,北西瑞士应用科学大学);Department of Computer Science, University of Geneva(计算机科学系,日内瓦大学)
本文提出带残差的潜在扩散模型,将 MDI 太阳磁图从 2″/像素超分至 0.5″/像素,并验证其物理保真度与小尺度特征恢复能力。
2025-03-31 astro-ph.IM astro-ph.SR cs.LG
LD-EnSF: Synergizing Latent Dynamics with Ensemble Score Filters for Fast Data Assimilation with Sparse Observations
Georgia Institute of Technology(佐治亚理工学院);Yale University(耶鲁大学)
LD-EnSF通过在潜在空间中直接演进动力学,结合改进的LDNets和历史感知LSTM编码器,实现高维稀疏观测下的高效数据同化。
2026-03-01 cs.LG math.DS stat.ML