PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design
Massachusetts Institute of Technology(麻省理工学院);Siemens Corporate Technology(西门子企业技术部)
工程设计任务通常需要综合满足所需性能要求的新设计。传统的设计过程需要迭代优化和性能评估,速度慢,并且依赖于初始设计。过去的工作使用条件生成对抗网络(cGAN)来实现给定目标性能的直接设计合成。然而,大多数现有的cGAN仅限于分类条件。连续条件GAN(Cc GAN)的最新研究试图解决这个问题,但仍然面临两个挑战:1)它在非均匀性能分布上表现不佳,以及2)生成的设计可能无法覆盖整个设计空间。我们提出了一个新的模型,命名为性能条件多样性生成对抗网络(PcDGAN),它引入了一个奇异的邻域损失相结合的一个决定性点过程(DPP)的损失函数,以提高多样性。PcDGAN使用一种新的自我强化评分,称为Lambert对数指数转换评分(LLETS),以改善条件反射。综合问题和真实世界的翼型设计问题的实验表明,PcD GAN优于国家的最先进的GAN模型,并提高了69%,在翼型生成任务和合成条件生成任务的调节可能性高达78%,并实现更大的设计空间覆盖。所提出的方法使有效的设计综合和设计空间探索的应用范围从CAD模型生成到超材料的选择。
2021-06-07 cs.LG
The efficacy and generalizability of conditional GANs for posterior inference in physics-based inverse problems
University of Southern California(南加州大学);Stanford University(斯坦福大学)
在这项工作中,我们训练条件Wasserstein生成对抗网络,以有效地从基于物理的贝叶斯推断问题的后验中采样。该生成器使用U-Net架构构建,使用条件实例规范化注入潜在信息。前者便于多尺度逆映射,而后者使潜在空间维度与测量维度解耦,并在所有尺度上引入随机性。我们解决基于偏微分方程的逆问题,以证明我们的方法在量化推断领域的不确定性的性能。此外,我们还证明了生成器可以学习本质上是局部的逆映射,这反过来又促进了在使用分布外样本进行测试时的泛化能力。
2022-11-18 cs.LG stat.ML
ExSinGAN: Learning an Explainable Generative Model from a Single Image
从单个样本生成图像作为图像合成领域的一个新兴分支,受到了广泛的关注。在本文中,我们制定了这个问题的采样从一个单一的图像的条件分布,并提出了一个分层的框架,简化了复杂的条件分布的学习,通过连续学习的分布结构,语义和纹理,使学习和生成的过程可以理解。在此基础上,我们设计了由三个级联的GANs组成的ExSinGAN,用于从给定的图像中学习可解释的生成模型,其中级联的GANs依次对结构、语义和纹理的分布进行建模。ExSinGAN不仅像以前的工作那样从给定图像的内部块学习,而且还从通过GAN反演技术获得的外部先验学习。ExSinGAN将内部信息和外部信息进行了合理的结合,使其具有更强的生成能力和较强的泛化能力。
2022-01-06 cs.CV cs.LG
Cascaded Flow Matching for Heterogeneous Tabular Data with Mixed-Type Features
Econometric Institute, Erasmus University Rotterdam, Rotterdam, The Netherlands(荷兰埃因霍温鲁特兰大学经济研究所)
本文提出级联流匹配方法,用于生成混合类型特征的表格数据,通过低分辨率和高分辨率的结合,提升生成质量与分布细节的准确性。
2026-05-13 cs.LG stat.ML
How well do generative models solve inverse problems? A benchmark study
Institute of Mathematics, TU Berlin(柏林技术大学数学系);Siemens Energy(西门子能源)
本文通过基准测试比较了生成模型与传统方法在燃气轮机燃烧室设计逆问题中的性能,发现条件流匹配方法表现最优。
2026-01-30 cs.LG
Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks
IMT Atlantique(大西洋国立高等矿业电信学校);Dokuz Eylul University(Dokuz Eylul大学);CHRU Brest(布雷斯特大学地区医疗中心)
目的:腹部解剖分割对于从计算机辅助诊断到图像引导手术的许多应用至关重要。在这种情况下,我们使用深度学习解决了腹部CT和MR图像的全自动多器官分割。方法:该模型扩展了标准的条件生成对抗网络。除了强制模型创建逼真的器官轮廓之外,它还嵌入了级联的部分预训练卷积编码器-解码器作为生成器。从大量非医学图像中进行编码器微调会加剧数据稀缺性的局限性。该网络是端到端训练的,以受益于使用自动上下文的同时多级分割细化。结果如下:用于健康的肝脏,肾脏和脾脏分割,我们的管道提供了优于最先进的编码器-解码器方案有前途的结果。接下来是与2019年IEEE国际生物医学成像研讨会联合组织的联合健康腹部器官分割(CHAOS)挑战,它为我们提供了三个竞赛类别的第一名:肝脏CT,肝脏MR和多器官MR分割。结论:结合级联卷积和对抗网络,增强了深度学习管道自动描绘多个腹部器官的能力,具有良好的泛化能力。重要性:提供的综合评价表明,可以实现更好的指导,以帮助临床医生在腹部图像的解释和临床决策。
2020-01-26 cs.CV cs.LG eess.IV
Inverse Design for Conditional Distribution Matching
Department of Statistics and Data Science(统计与数据科学系)
本文提出条件分布匹配(CDM)作为生成模型中的新逆设计问题,通过MLGD-F算法实现高效条件分布匹配,适用于生成编辑优化和结构化图像变换。
2026-11-19 cs.LG stat.ML
Conditional Flow Matching for ML-Based Inverse Design Problems
ETH Zürich(苏黎世联邦理工学院);University of Maryland, College Park(马里兰大学帕克分校)
本研究将条件流匹配(CFM)集成至EngiOpt,在EngiBench的两项基准任务上对比条件扩散模型与cGAN,结果显示CFM的性能更优、采样速率更高且所需网络评估次数更少。
2026-09-02 cs.LG
Deep Variational Inverse Scattering
University of Basel(巴塞尔大学);Sharif University of Technology(谢里夫理工大学);University of Zagreb(萨格勒布大学)
逆介质散射解算器通常重建单个解,而没有相关联的不确定性测量。这对于经典的迭代求解器和新兴的深度学习方法都是如此。但是病态性和噪音会使这个单一的估计不准确或误导。虽然深度网络(如条件归一化流)可用于对逆问题中的后验进行采样,但它们通常会产生低质量的样本和不确定性估计。在本文中,我们提出了U-Flow,一个基于条件归一化流的贝叶斯U-Net,它可以生成高质量的后验样本并估计物理意义上的不确定性。我们表明,该模型显着优于最近的归一化流量的后验样本质量,同时具有可比的性能与U-网的点估计。
2022-12-09 cs.LG
Scale-Cascaded Diffusion Models for Super-Resolution in Medical Imaging
University of Pennsylvania(宾夕法尼亚大学);Siemens Healthineers(西门子医疗);Siemens Industry Software(西门子工业软件)
本文提出多尺度扩散模型用于医学影像超分辨率,通过分解图像为不同频带并训练独立先验,提升重建质量并减少推理时间。
2026-01-30 cs.CV cs.LG eess.IV
Conditional flow matching for physics-constrained inverse problems with finite training data
Optimization and Uncertainty Quantification, Sandia National Laboratories(桑迪亚国家实验室优化与不确定性量化)
本文提出条件流匹配框架解决物理约束贝叶斯反问题,通过神经网络学习概率流微分方程的流速场,有效处理非线性、高维及非可导前向模型,验证了早停策略缓解过拟合的效果。
2026-04-08 cs.LG stat.ML
Diffusion-BBO: Diffusion-Based Inverse Modeling for Online Black-Box Optimization
University of California San Diego(加利福尼亚大学圣迭戈分校)
提出Diffusion-BBO框架,利用条件扩散模型作为逆向代理模型并结合不确定性感知探索获取函数进行在线黑盒优化,在6项科学发现任务中优于基线且理论上达到近最优解。
2025-02-02 cs.LG
Inverse airfoil design method for generating varieties of smooth airfoils using conditional WGAN-gp
The University of Tokyo(东京大学)
机器学习模型最近被用于翼型形状生成方法。期望获得满足所需升力系数的翼型形状。生成对抗网络(GAN)输出合理的翼型形状。然而,从有序GAN模型获得的形状是不平滑的,并且它们在流分析之前需要平滑。因此,需要将模型与Bezier曲线或其他平滑方法耦合以获得平滑形状。在没有任何平滑方法的情况下生成形状是具有挑战性的。在这项研究中,我们采用条件Wasserstein GAN与梯度惩罚(CWGAN-GP)生成翼型形状,所获得的形状是光滑的,使用平滑方法获得的。该方法不需要额外的光顺方法来生成翼型。此外,所提出的模型输出满足升力系数要求的形状。
2021-10-01 cs.CE cs.LG
Conditional Wasserstein Distances with Applications in Bayesian OT Flow Matching
Technical University of Berlin(柏林技术大学)
本文提出条件Wasserstein距离,推导其理论性质与流常微分方程,并通过松弛该距离扩展OT流匹配方法,用于求解贝叶斯逆问题,在逆问题和类别条件图像生成中验证了数值优势。
2025-08-27 cs.LG math.OC
Inverse Design of Metamaterials with Manufacturing-Guiding Spectrum-to-Structure Conditional Diffusion Model
The University of Tokyo(东京大学);Huazhong University of Science and Technology(华中科技大学);RIKEN Center for Advanced Intelligence Project(日本理化学研究所先进智能项目研究中心)
本文提出基于条件扩散模型的光谱到结构通用逆向设计框架,可生成多样且光谱准确的超材料结构,并通过热伪装自由形式超材料的设计与制造验证其有效性。
2025-06-08 cs.LG physics.optics
Conditional neural control variates for variance reduction in Bayesian inverse problems
Department of Computer Science University of Central Florida(计算机科学系佛罗里达中央大学);Department of Physics and Maryland Center for Fundamental Physics University of Maryland College Park(物理系马里兰根本物理中心马里兰大学学院公园分校)
提出条件神经控制变量方法,利用联合模型-数据样本学习摊销控制变量,通过Stein恒等式和分层耦合层架构,显著降低贝叶斯逆问题中蒙特卡洛估计的方差。
2026-06-23 cs.LG stat.ML
Conditional Mutual Information Based Diffusion Posterior Sampling for Solving Inverse Problems
University of Waterloo(滑铁卢大学)
针对扩散模型求解逆问题时似然近似损害图像质量的问题,提出最大化条件互信息的信息论后验采样方法,可无缝融入现有方法并提升定性与定量性能。
2025-01-06 cs.LG stat.ML
Come-Closer-Diffuse-Faster: Accelerating Conditional Diffusion Models for Inverse Problems through Stochastic Contraction
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
扩散模型最近在社区内获得了显着的兴趣,由于其强大的性能作为生成模型。此外,它的反问题的应用已经证明了国家的最先进的性能。不幸的是,扩散模型有一个关键的缺点-它们本质上采样缓慢,需要几千步迭代才能从纯高斯噪声中生成图像。在这项工作中,我们表明,从高斯噪声是不必要的。相反,从具有更好初始化的单个前向扩散开始显著减少了反向条件扩散中的采样步骤的数量。这种现象可以用随机差分方程的收缩理论来正式解释,就像我们的条件扩散策略一样--反向扩散的交替应用,然后是非扩展性数据一致性步骤。新的采样策略被称为“靠近扩散更快”(CCDF),还揭示了关于如何将现有的逆问题前馈神经网络方法与扩散模型协同结合的新见解。超分辨率,图像修复,和压缩感知MRI的实验结果表明,我们的方法可以实现国家的最先进的重建性能在显着减少采样步骤。
2022-03-19 cs.CV cs.LG eess.IV
Solution of physics-based inverse problems using conditional generative adversarial networks with full gradient penalty
University of Maryland(马里兰大学);University of Southern California(南加州大学)
本文提出带全梯度惩罚的 cWGAN,使 critic 同时对待推断向量和测量向量满足 1-Lipschitz,从而更准确稳健地求解基于物理的高维概率逆问题。
2023-06-08 cs.LG stat.ML
Generative Inverse Design: From Single Point Optimization to a Diverse Design Portfolio via Conditional Variational Autoencoders
Faculty of Electrical Engineering, Universiti Teknologi Malaysia(电子工程学院,马来西亚技术大学)
本文提出基于条件变分自编码器的生成式逆向设计框架,将单点优化转为多样化设计组合生成,在翼型降噪中生成256个设计,77.2%优于SBO基线,支持多准则决策。
2025-10-03 cs.AI cs.LG
MGCVAE: Multi-objective Inverse Design via Molecular Graph Conditional Variational Autoencoder
Soongsil University(崇实大学)
各个领域的最终目标是直接生成具有所需性质的分子,如在药物开发中寻找水溶性分子,在新有机材料开发领域寻找适合有机发光二极管(OLED)或光敏剂的分子。在这方面,本研究提出了一个分子图生成模型的基础上的自动编码器的从头设计。通过与分子图变分自编码器(MGVAE)的比较,研究了分子图条件变分自编码器(MGCVAE)生成具有特定期望性质的分子的性能.此外,多目标优化MGCVAE适用于同时满足两个选定的属性。在这项研究中,两个物理性质- logP和摩尔的生物活性-被用作优化目标的目的从头设计的分子,特别是在药物发现。结果证实,在生成的分子中,MGCVAE中生成了25.89%的优化分子,而MGVAE中为0.66%。因此,它表明MGCVAE有效地产生具有两种靶向性质的药物样分子。这项研究的结果表明,这些基于图形的数据驱动模型是设计满足各种物理特性的新分子的有效方法之一,例如药物发现。
2022-02-14 cs.LG physics.chem-ph
Conditional score-based diffusion models for solving inverse problems in mechanics
University of Southern California(南加州大学);Harry Perkins Institute of Medical Research(哈里·珀金斯医学研究所);The University of Western Australia(西澳大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出条件式基于分数扩散模型的贝叶斯推断框架,仅需仿真黑箱正演模型即可训练分数网络并复用采样后验,可在复杂噪声与非线性条件下高效推断非均质材料属性。
2024-08-29 cs.AI cs.LG stat.ML
Inverse Synthesis of Shock Time Series from Shock Response Spectra Using Ensembles of Conditional Variational Autoencoders
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of Rochester(罗切斯特大学);Avinc(艾文克公司)
该研究提出一种基于条件变分自编码器集成的方法,用于从冲击响应谱逆合成冲击时间序列,在多个基准数据集上的频谱误差更低、推理速度更快,性能优于基线方法。
2026-10-12 cs.LG eess.SP
An Unconditional Representation of the Conditional Score in Infinite-Dimensional Linear Inverse Problems
School of Engineering Science(工程科学学院);Lappeenranta-Lahti University of Technology(拉普兰塔-拉赫蒂技术大学);Vienna University of Technology (TU Wien)(维也纳技术大学);Department of Mathematics and Statistics(数学与统计学系);University of Helsinki(赫尔辛基大学);Department of Computational and Applied Mathematics(计算与应用数学系);Rice University(里士满大学)
本文提出了一种针对线性逆问题的无条件条件分数表示方法,通过离线训练避免正向模型评估,实现高效且精确的采样。
2025-11-22 cs.LG cs.NA math.AP
Generative Latent Diffusion Model for Inverse Modeling and Uncertainty Analysis in Geological Carbon Sequestration
本文提出CoNFiLD-geo模型,结合条件神经场编码与贝叶斯潜空间扩散,实现地质碳封存中高效、不确定性感知的正反演建模与数据同化。
2025-08-17 cs.LG physics.geo-ph
Conditional score-based diffusion models for Bayesian inference in infinite dimensions
University of Basel(巴塞尔大学);Rice University(莱斯大学);Ecole Polytechnique, IP Paris(巴黎综合理工学院);University of California Irvine(加州大学尔湾分校)
本文提出基于摊销条件得分扩散模型的无穷维贝叶斯线性逆问题后验采样方法,证明条件去噪估计器可推广到无穷维,并揭示条件得分在小时间下发散的关键问题,实现大规模且离散化不变的贝叶斯推断。
2023-10-27 cs.LG math.AP math.PR
Bayesian Conditioned Diffusion Models for Inverse Problems
Aselsan(阿塞尔桑公司);Bilkent University(比尔肯特大学)
针对逆问题图像重建中后条件化次优及测量数据启发式注入导致采样不准的问题,提出贝叶斯条件扩散模型 BCDM,并在多项重建任务上达到最先进性能。
2024-06-14 cs.AI cs.CV cs.LG
A Method to Model Conditional Distributions with Normalizing Flows
University of Chicago(芝加哥大学)
在这项工作中,我们研究了使用规范化流模型的条件分布。特别是,我们使用我们提出的方法来分析逆问题的可逆神经网络通过最大化后验似然。我们的方法只使用一个单一的损失,是很容易的训练。这是对先前方法的改进,该方法用可逆神经网络解决类似的逆问题,但涉及几个损失项与ad-hoc加权的组合。此外,我们的方法提供了一个自然的框架,将条件规范化流,因此,我们可以训练一个可逆的网络进行条件生成。我们分析了我们的方法,并与以前的方法进行了仔细的比较。简单的实验表明了该方法的有效性,更全面的实验评估正在进行中。
2019-11-05 cs.CV cs.LG stat.ML
Fast Samplers for Inverse Problems in Iterative Refinement Models
University of California Irvine(加州大学欧文分校)
针对扩散/流匹配模型求解逆问题步骤多的问题,提出基于条件共轭积分器的即插即用快速采样框架,仅需少量步骤即可生成高质量结果,性能优于多步基线方法。
2024-11-01 cs.CV cs.LG stat.ML
Faster Uncertainty Quantification for Inverse Problems with Conditional Normalizing Flows
Georgia Institute of Technology(佐治亚理工学院);Microsoft Research(微软研究院)
在反问题中,我们经常可以访问由成对样本$(x,y)\sim p_{X,Y}(x,y)$组成的数据,其中$y$是物理系统的部分观测,$x$表示问题的未知数。在这种情况下,我们可以使用监督训练来学习解决方案$x$及其来自观测$y$的不确定性。我们把这个问题称为“监督”情况。然而,在一个点收集的数据$y\sim p_{Y}(y)$可能与观测$y'\sim p_{Y}'(y')$不同地分布,与当前的一组问题相关。在贝叶斯推理的背景下,我们提出了一个两步计划,它利用规范化流和联合数据训练一个条件生成器$q_θ(x|y)$近似目标后验密度$p_{X|Y}(x|y)$。此外,该初步阶段提供了密度函数$q_θ(x|y)$,其可以被重铸为“无监督”问题的先验,例如~当仅观测值$y'\sim p_{Y}'(y')$、似然模型$y'|x$和关于$x'$的先验是已知的时。然后,我们训练另一个可逆生成器,其输出密度$q'_ϕ(x|y')$专门用于$y'$,允许我们从后$p_{X|Y}'(x|y')$采样。我们提出了一些合成结果,证明了相当大的训练加速时,重用预训练网络$q_θ(x|y')$作为一个热启动或预处理近似$p_{X|Y}'(x|y')$,而不是从头开始学习。这种训练模式可以被解释为迁移学习的一个实例。这一结果是特别相关的大型反问题,采用昂贵的数值模拟。
2020-07-15 cs.LG physics.geo-ph stat.ML
IH-GAN: A Conditional Generative Model for Implicit Surface-Based Inverse Design of Cellular Structures
University of Maryland, College Park(马里兰大学帕克分校);Northwestern University(西北大学);Clemson University(克莱姆森大学)
可变密度蜂窝结构可以克服拓扑优化结构的连接性和可制造性问题,特别是那些表示为离散密度图的结构。然而,这种蜂窝结构的优化是具有挑战性的,由于多尺度设计问题。以往的研究要么只优化单一类型单胞的体积分数,而忽略单胞几何形状对性能的影响,要么考虑单胞的几何-性能关系,但通过几何学建立这种关系。相比之下,我们提出了一种简单但更有原则的方法,使用条件深度生成模型(称为逆均匀化生成对抗网络(IH-GAN))来准确地对属性到几何映射进行建模。它学习给定性质的单胞几何的条件分布,并能实现从性质到几何的一对多映射。通过使用隐函数参数化来表示单胞几何,进一步降低了IH-GAN的复杂度。结果表明,我们的方法可以1)生成满足给定材料性能的各种单元格,具有高精度($R^2$ -目标性能和生成的单元格$>98\%$的性能之间的分数)和2)提高优化的结构性能比传统的可变密度的单一类型的结构。在最小柔度示例中,我们的IH-GAN生成的结构实现了集中应力的$79.7\%$减小和位移的额外$3.03\%$减小。在目标变形的例子中,我们的IH-GAN生成的结构减少了目标匹配误差$86.4\%$和$79.6\%$的两个测试用例,分别。我们还证明了多类型的单位细胞的连接问题可以解决过渡层混合。
2022-05-12 cs.CE cs.LG stat.ML
A framework for data-driven solution and parameter estimation of PDEs using conditional generative adversarial networks
Cornell University(康奈尔大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);University of Hawai’i at Manoa(夏威夷大学马诺阿分校)
这项工作是第一次采用和适应基于条件生成对抗网络(cGAN)的图像到图像的翻译概念,以学习偏微分方程(PDE)的正解和逆解算子。尽管所提出的框架可以作为任何偏微分方程的解决方案的代理模型,在这里,我们专注于非均质多孔介质中耦合流体力学过程的稳态解。强异质材料的属性,这转化为偏微分方程的系数和不连续的功能的解决方案的异质性,需要专门的技术,这些问题的正反解。此外,通过使用标准的降阶建模技术,空间异质系数的参数化是非常困难的。在这项工作中,我们克服了这些挑战,采用图像到图像的翻译概念,学习正向和反向解决方案运营商,并利用U-网发电机和补丁为基础的神经网络。我们的研究结果表明,所提出的数据驱动的降阶模型具有竞争力的预测性能的准确性和计算效率,以及训练时间的要求相比,国家的最先进的数据驱动的方法,正反问题。
2021-05-27 cs.LG cs.NA math.NA
Bayesian Inverse Problems Meet Flow Matching: Efficient and Flexible Inference via Transformers
Skolkovo Institute of Science and Technology(斯克洛夫学院科学与技术研究所);Sberbank(储蓄银行);AI4S Center(AI4S中心);Artificial Intelligence Research Institute(人工智能研究 institute)
针对传统采样方法求解贝叶斯逆问题成本高的问题,提出融合条件流匹配与Transformer的框架,直接学习条件概率轨迹,在三类任务上实现低至1.5%的参数恢复误差,CPU上推断速度最高提升2000倍。
2025-05-16 cs.AI cs.LG
Root Cause Analysis for Microservice Systems via Cascaded Conditional Learning with Hypergraphs
Wuhan University(武汉大学);Zhongguancun Laboratory(中关村实验室)
CCLH通过级联条件学习和超图建模,提升微服务系统根本原因分析的准确性和效率。
2025-11-14 cs.DC cs.LG cs.SE
Scalable conditional deep inverse Rosenblatt transports using tensor-trains and gradient-based dimension reduction
Monash University(莫纳什大学);University of Bath(巴斯大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
我们提出了一种新的离线-在线方法,以减轻计算负担的表征后验随机变量的统计学习。在离线阶段,所提出的方法学习的联合规律的参数随机变量和可观察的随机变量的张量列车(TT)格式。在在线阶段,所得到的保序条件传输可以实时地描述新观测数据下的后验随机变量。与现有的归一化流技术相比,该方法依赖于函数逼近,并进行了全面的性能分析。函数近似的观点也使我们能够进一步扩展的能力,运输地图在具有挑战性的问题与高维观测和高维参数。一方面,我们提出了新的算法来重新排序和/或重新参数化变量,以提高TT的近似能力。另一方面,我们将基于TT的传输图和参数重新排序/重新参数化集成到分层组合中,以进一步提高所得到的传输图的性能。我们证明了所提出的方法在常微分方程(ODE)和偏微分方程(PDE)的各种统计学习任务的效率。
2023-03-03 cs.LG stat.CO stat.ME
Composing Normalizing Flows for Inverse Problems
UT Austin(德克萨斯大学奥斯汀分校);Google Research(谷歌研究院)
给定一个具有归一化流先验的逆问题,我们希望估计以观测为条件的潜在信号的分布。我们将这个问题视为对预训练的无条件流模型进行条件推理的任务。我们首先建立,这是计算困难的一大类流动模型。出于这一动机,我们提出了一个框架,估计目标条件作为两个流模型的组成近似推理。该公式导致避免对抗训练的稳定的变分推断训练过程。我们的方法进行评估的各种反问题,并产生高质量的样品与不确定性量化。我们进一步证明,我们的方法可以摊销为zero-shot推理。
2021-06-14 cs.IT cs.LG math.IT
Graph Diffusion Transformers for Multi-Conditional Molecular Generation
University of Notre Dame(圣母大学)
本文提出Graph DiT,通过编码器学习多属性表示并结合图依赖噪声模型与Transformer去噪器,实现多条件分子生成,在九项指标上表现优越并验证了气体分离聚合物设计的实用性。
2024-10-03 cs.LG q-bio.BM
Inverse deep learning methods and benchmarks for artificial electromagnetic material design
Duke University(杜克大学)
深度学习(DL)逆技术提高了人工电磁材料(AEM)设计的速度并改善了所得器件的质量。许多DL逆技术已经成功的AEM设计任务的数量,但比较,对比,并评估各种技术,关键是要澄清潜在的不适定性的反问题。在这里,我们回顾了最先进的方法,并提出了一个全面的调查深度学习逆方法和可逆和条件可逆神经网络AEM设计。我们制作易于访问和快速实施的AEM设计基准,它提供了一种方法来有效地确定最适合解决不同设计挑战的DL技术。我们的方法是指导约束重复模拟和一个容易集成的度量,我们建议表示任何AEM设计问题的相对不适定性。我们发现,随着问题变得越来越不适定,神经伴随边界损失(NA)更快地产生更好的解决方案,无论模拟约束。在更简单的AEM设计任务中,当模拟有限时,直接神经网络(NN)表现更好,而混合密度网络(MDN)和条件变分自动编码器(VAE)预测的几何形状可以通过连续采样和重新模拟来改进。
2021-12-19 cond-mat.mtrl-sci cs.LG
Inverse Flow and Consistency Models
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心)
针对无干净数据真值的逆生成难题,提出 Inverse Flow 框架及 IFM、ICM 算法,支持复杂连续噪声分布,并在多类数据和科学应用中优于既有方法。
2025-02-17 cs.AI cs.LG
(HB-ARFM) History-Bootstrapped Flow Matching for Inverse Boiling Reconstruction
提出历史引导自回归流匹配方法,通过条件流匹配和自回归传播解决部分观测下的时空逆重建问题,在沸腾动力学重建中优于其他模型。
2026-05-29 cs.AI cs.CE cs.LG
An invertible generative model for forward and inverse problems
Centrum Wiskunde en Informatica, Amsterdam, The Netherlands(荷兰阿姆斯特丹数学与信息学研究中心);Utrecht University, Utrecht, The Netherlands(荷兰乌得勒支大学);University of Twente, Enschede, The Netherlands(荷兰埃因霍温大学)
该研究在贝叶斯框架下提出可逆模拟器,结合三角归一化流构建可逆生成模型,推导变分公式实现配对样本训练,通过数值示例验证其可作为正逆问题条件生成建模的统一方法。
2026-08-11 cs.LG math.PR stat.ML
Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation
Oak Ridge National Laboratory(橡树岭国家实验室);Auburn University(奥本大学)
本文提出条件伪可逆归一化流模型,直接从输入-输出对学习条件概率密度函数,无需噪声先验知识,用于高效量化正向与逆向不确定性传播,并在基准测试和地质碳封存问题中验证了有效性。
2024-03-31 cs.LG cs.NA math.NA
Preconditioned training of normalizing flows for variational inference in inverse problems
Utrecht University(乌得勒支大学);Georgia Institute of Technology(佐治亚理工学院);Microsoft(微软)
从逆问题的后验分布中获取样本是具有挑战性的,特别是当未知数涉及强非均匀地球时。为了应对这些挑战,我们提出了一个预处理方案,涉及一个条件归一化流(NF)能够直接从低保真度后验分布采样。该条件NF用于加速高保真度目标的训练,包括最小化预测的和所需的高保真度后验密度之间的库尔贝克-莱布勒散度,用于手头的间接测量。为了最大限度地减少与前向运算符相关的成本,我们使用预先训练的低保真度NF的权重初始化高保真NF,该NF预先在可用的模型和数据对上进行训练。我们的数值实验,包括一个2D玩具和一个地震压缩传感的例子,表明由于预处理相当大的速度相比,从头开始训练NF是可以实现的。
2021-01-11 cs.LG physics.geo-ph stat.ML
Dynamic Conditional Optimal Transport through Simulation-Free Flows
University of California, Irvine(加利福尼亚大学欧文分校)
本文研究条件最优传输几何并推广Benamou-Brenier定理,提出一种适用于无限维贝叶斯逆问题的免模拟流条件生成建模方法,通过三角COT计划耦合分布并近似测地线路径,在多项条件生成任务上表现优异。
2024-05-31 cs.LG
Conditional Generative Models are Provably Robust: Pointwise Guarantees for Bayesian Inverse Problems
Humboldt-Universität zu Berlin(柏林洪堡大学);Technische Universität Berlin(柏林工业大学)
本文首次证明适当学习的条件生成模型在贝叶斯反问题中对单个观测值的扰动具有可证明的鲁棒性。
2024-07-19 cs.LG math.ST stat.TH
Conditional Inverse Learning of Time-Varying Reproduction Numbers Inference
College of Computer Science, Sichuan University, Chengdu, China(四川大学计算机学院);Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education, Sichuan University, Chengdu, China(教育部机器学习与产业智能工程研究中心)
本文提出CIRL框架,通过学习历史发病率和时间信息到潜在线性再生产数的映射,结合流行病学约束与数据驱动时间表示,提升再生产数估计的鲁棒性和响应性。
2026-03-18 cs.LG physics.soc-ph
GenAI4UQ: A Software for Inverse Uncertainty Quantification Using Conditional Generative Models
Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出 GenAI4UQ 软件,利用条件生成式 AI 将观测直接映射为参数分布与预测,以高效支持逆不确定性量化、模型校准和集合预报。
2024-12-09 cs.LG physics.geo-ph
Solving inverse problems using conditional invertible neural networks
University of Notre Dame(圣母大学)
从间接稀疏和噪声观测计算高维空间变化的属性场的逆建模是一个具有挑战性的问题。这是由于感兴趣的复杂物理系统通常以多尺度偏微分方程的形式表示,感兴趣的空间属性的高维性,以及观测的不完整性和噪声性。为了解决这些挑战,我们开发了一个模型,该模型将给定的观测映射到代理模型形式的未知输入字段。然后,这个逆代理模型将允许我们针对任何给定的稀疏和噪声输出观测来估计未知的输入场。在这里,逆映射被限制到训练代理模型的输入字段的宽先验分布。在这项工作中,我们构建了一个二维和三维的逆代理模型,包括一个可逆的和一个条件神经网络训练在一个端到端的方式与有限的训练数据。可逆网络是使用基于流的生成模型开发的。开发的逆代理模型,然后应用于多相流问题的反演任务,在给定的压力和饱和度的观察,其目的是恢复一个高维的非高斯渗透率场的两相组成的非均质渗透率和不同的长度尺度。对于二维和三维代理模型,非高斯渗透率场的预测样本实现是不同的,即使在模型用有限的数据训练时,预测平均值也接近地面实况。
2021-02-19 cs.LG physics.comp-ph
Inverse design of 3d molecular structures with conditional generative neural networks
Technische Universität Berlin(柏林工业大学);Berlin Institute for the Foundations of Learning and Data(柏林学习与数据基础研究所);Korea University(高丽大学);Max-Planck-Institut für Informatik(马克斯·普朗克信息学研究所)
合理设计具有所需性质的分子是化学中的一个长期挑战。生成神经网络已经成为一种强大的方法来从学习的分布中采样新分子。在这里,我们提出了一个条件生成神经网络的三维分子结构与指定的化学和结构特性。这种方法是不可知的化学键合,并使有针对性的采样的新分子的条件分布,即使在域中的参考计算是稀疏的。我们证明了我们的方法的实用性,通过生成具有指定图案或组成的分子,发现特别稳定的分子,并共同针对多个电子特性超出了训练制度。
2021-12-22 cs.LG physics.chem-ph physics.comp-ph
FairICP: Encouraging Equalized Odds via Inverse Conditional Permutation
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Yale University(耶鲁大学)
针对多维敏感属性下的均等赔率问题,提出处理中方法 FairICP,融合对抗学习与逆条件排列,并通过模拟和真实数据验证其有效性。
2025-06-06 cs.CY cs.LG stat.ML
Solving Inverse Problems with Conditional-GAN Prior via Fast Network-Projected Gradient Descent
Technische Universität Berlin(柏林工业大学);Technische Universität München(慕尼黑工业大学)
投影梯度下降(PGD)方法已经显示出在恢复由生成模型以数据驱动的方式描述的压缩信号中是有效的,即,生成器,其已经学习了数据分布。这种逆问题的进一步重建改进可以通过根据测量调节生成器来实现。边界均衡生成对抗网络(BEGAN)实现了基于均衡的损失函数和自动编码的均衡器,以更好地平衡生成器和均衡器的性能。在这项工作中,我们研究了一个基于网络的投影梯度下降(NPGD)算法的测量条件生成模型,以解决反问题比常规PGD快得多。我们结合NPGD和条件GAN/BEGAN来评估它们在解决压缩感知类问题中的有效性。我们在MNIST和CelebA数据集上的实验表明,测量条件模型与NPGD的组合在恢复压缩信号方面效果很好,同时实现了类似或在某些情况下甚至更好的性能以及更快的重建。实验中获得的重建速度提升可达140-175。
2021-09-02 cs.IT cs.LG eess.SP
Verifiable Regularity Criterion for Conditional Expectation Operators and Conditional Mean Embeddings with Applications to Nonparametric Regression, Bayesian Inverse Problems, and Koopman Operators
Technische Universität Ilmenau(伊尔梅瑙工业大学);Freie Universität Berlin(柏林自由大学);Chemnitz University of Technology(开姆尼茨工业大学)
该研究提出了条件期望算子与条件均值嵌入的可验证正则性准则,验证其在三类场景下的适用性,为相关领域提供了统一分析框架。
2026-08-07 cs.LG cs.NA math.DS
Cascade-Aware Training of Language Models
Google Inc.(谷歌公司)
针对语言模型级联系统通常独立训练忽略推理交互的问题,提出级联感知训练(CAT)方法,通过让小模型感知其在级联中的位置及下游能力进行优化,在60多个任务上验证了其有效平衡质量与成本的性能。
2024-05-29 cs.CL cs.LG
Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models
Materials Innovation Institute for Life Sciences and Energy (MILES)(生命科学与能源材料创新研究所(MILES))
提出一个主动学习框架,结合晶体生成模型与基础原子模型,通过迭代微调提升条件逆向设计的准确性和效率,并以Con-CDVAE和MACE-MP-0验证其有效性。
2025-02-24 cond-mat.mtrl-sci cs.LG