Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization
Carnegie Mellon University(卡内基梅隆大学)
本文提出基于VAEGAN的数据驱动翼型编码与生成方法,在隐空间学习外形表示并通过遗传算法优化,无需预定义参数即可合成具有目标气动性能的新翼型。
2023-07-06 cs.CE cs.LG
TripOptimizer: Generative 3D Shape Optimization and Drag Prediction using Triplane VAE Networks
Department of concepts and methods development in virtual fields, AUDI AG(虚拟领域概念与方法发展系,奥迪公司);Technology and Bionics Faculty, Rhine-Waal University of Applied Sciences(技术与生物科学系,莱茵-瓦尔大学);Department of Mechanical Engineering, Massachusetts Institute of Technology(机械工程系,麻省理工学院);Schwarzman College of Computing, Massachusetts Institute of Technology(施瓦茨曼计算学院,麻省理工学院)
TripOptimizer利用三平面VAE网络实现基于点云数据的3D形状优化与阻力预测,通过高保真重建和高效优化策略减少对传统CFD模拟的依赖。
2025-09-05 cs.LG
Deep Generative Model for Efficient 3D Airfoil Parameterization and Generation
Siemens Corporate Technology(西门子中央研究院)
在气动外形优化设计中,设计空间的表示能力和紧致性对收敛性和计算量有很大影响。先前的研究已经表明,使用深度生成模型来参数化二维(2D)翼型实现了高表示能力/紧凑性,这显著有利于形状优化。在本文中,我们提出了一种深度生成模型,自由形式变形生成对抗网络(FFD-GAN),它为三维(3D)空气动力学/流体动力学形状(如飞机机翼,涡轮叶片,车身和船体)提供了有效的参数化。学习的模型将一组紧凑的设计变量映射到表示形状的3D表面点。我们通过将FFD层合并到生成模型中来确保生成的几何形状的表面平滑度和连续性。我们展示了FFD-GAN的性能使用机翼形状的设计例子。结果表明,FFD-GAN可以生成逼真的设计,并形成合理的参数化。通过测试FFD-GAN的设计空间覆盖率、设计空间的可行性比率以及设计优化性能,进一步证明了FFD-GAN的高表示紧凑性和容量。我们证明了FFD-GAN随机生成的机翼之间的可行性比率超过94%,而FFD和B样条仅达到不到31%。我们还表明,FFD-GAN导致一个数量级更快的收敛在机翼形状优化问题,相比FFD和B样条参数化。
2021-01-07 cs.CE cs.CG cs.LG
AirfoilGen: A valid-by-construction and performance-aware latent diffusion model for airfoil generation
State Key Laboratory of CAD \& CG, Zhejiang University, Hangzhou, 310027, China
本文提出了一种新的翼型生成模型AirfoilGen,通过引入圆扫表示法约束生成过程,确保生成的翼型符合基本特性,并通过在学习的潜在空间中操作实现对气动性能的显式控制,同时提供了一个包含超过20万翼型的新数据集。
2026-05-21 cs.LG
Generative Hyperelasticity with Physics-Informed Probabilistic Diffusion Fields
Purdue University(普渡大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Pontificia Universidad Catolica de Chile(智利天主教大学)
针对现有数据驱动超弹性模型忽略估计不确定性与材料空间非均质性的问题,研究结合NODE(可构造多凸应变能函数)与概率扩散模型生成应变能样本,扩展至空间相关扩散实现非均质建模,经生物组织数据与有限元测试验证,为超弹性预测模型纳入不确定性提供了新路径。
2023-09-11 cs.CE cs.LG
Real-time probabilistic tsunami forecasting via generative AI
Fujitsu Research, Fujitsu Limited(富士通研究所,富士通株式会社);Earthquake Research Institute, The University of Tokyo(东京大学地震研究所);International Research Institute of Disaster Science, Tohoku University(东北大学国际灾害科学研究所)
该研究开发基于条件扩散模型的概率集成模型,利用2011年东北地方太平洋近海地震数据验证,实现实时概率海啸预报,将海啸预报从确定性转向概率性,为下一代预警奠定基础。
2026-08-06 cs.LG
On Memorization in Probabilistic Deep Generative Models
The Alan Turing Institute(艾伦·图灵研究所);University of Edinburgh(爱丁堡大学)
深度生成模型的最新进展在各种应用领域取得了令人印象深刻的结果。由于深度学习模型可能会记住部分输入数据,人们越来越多地努力了解记忆是如何产生的。在这项工作中,我们将最近提出的监督学习记忆措施(Feldman,2019)扩展到无监督密度估计问题,并使其在计算上更有效。接下来,我们提出了一项研究,展示了记忆如何发生在概率深度生成模型中,如变分自编码器。这表明,这些模型所受的记忆形式与模式坍塌和过拟合有着根本的不同。此外,我们表明,建议的记忆分数措施的现象,是没有捕获常用的最近邻测试。最后,我们讨论了几个策略,可以用来限制记忆在实践中。因此,我们的工作提供了一个框架,理解有问题的记忆概率生成模型。
2021-12-29 cs.LG stat.ML
From Classical Probabilistic Latent Variable Models to Modern Generative AI: A Unified Perspective
School of Computing and Engineering University of Huddersfield(计算与工程学院赫德斯菲尔德大学)
本文以概率潜变量模型为统一框架,梳理从经典模型到变分自编码器、扩散模型等现代生成式AI的演进脉络,揭示共享原理与推断策略差异,为生成式AI提供理论路线图。
2025-08-18 cs.AI cs.LG
Probabilistic Generative Adversarial Networks
Johannes Kepler University(约翰内斯·开普勒大学)
我们介绍了概率生成对抗网络(PGAN),一个新的GAN变种基于一种新的目标函数。核心思想是将概率模型(在我们的情况下是高斯混合模型)集成到GAN框架中,该框架支持一种新的损失函数(基于似然而不是分类损失),同时给出了对网络生成的输出质量的有意义的度量。MNIST的实验表明,该模型可以学习生成逼真的图像,同时计算与生成图像质量相关的似然度。我们表明,PGAN是能够更好地应付不稳定的问题,通常观察到的GAN训练过程。我们从三个方面来研究这个问题:生成器的概率分布,生成器的梯度,以及完美的生成问题。
2017-08-06 cs.LG stat.ML
Probabilistic Forecasting of Sensory Data with Generative Adversarial Networks - ForGAN
University of Kaiserslautern(凯泽斯劳滕大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
时间序列预测是人类面临的挑战性问题之一。传统的均值回归模型预测方法在反映真实波动方面存在严重缺陷。虽然新的概率方法急于拯救,但它们与分位数交叉或选择先验分布等技术难题作斗争。为了融合这些领域的不同优势,同时避免它们的弱点,并推动最先进的边界,我们引入了ForGAN -一步领先的概率预测与生成对抗网络。ForGAN利用条件生成对抗网络的能力来学习数据生成分布并从中计算概率预测。我们讨论了如何评估ForGAN,以反对回归方法。为了研究ForGAN的概率预测,我们创建了一个新的数据集,并在其上展示了我们的方法能力。该数据集将公开用于比较。此外,我们在两个公开的数据集上测试了ForGAN,即Mackey-Glass数据集和互联网流量数据集(A5 M),ForGAN令人印象深刻的性能证明了其在预测未来价值方面的高能力。
2019-03-29 cs.AI cs.LG stat.ML
Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Google Research(谷歌研究院)
研究了三维物体的生成问题。我们提出了一个新的框架,即3D生成对抗网络(3D-GAN),它通过利用体积卷积网络和生成对抗网络的最新进展从概率空间生成3D对象。我们的模型的好处有三方面:首先,使用对抗性标准,而不是传统的启发式标准,使生成器能够隐式地捕获对象结构并合成高质量的3D对象;其次,生成器建立从低维概率空间到3D对象空间的映射,使得我们可以在没有参考图像或CAD模型的情况下对对象进行采样,并探索3D对象流形;第三,对抗性学习提供了一个强大的3D形状描述符,无需监督即可学习,在3D对象识别中具有广泛的应用。实验表明,我们的方法生成高质量的3D对象,我们的无监督学习功能实现令人印象深刻的性能上的3D对象识别,与那些监督学习方法。
2017-01-04 cs.CV cs.LG
From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers
Department of Electrical and Computer Engineering, University of California, Santa Barbara(加州大学圣塔芭芭拉分校电气与计算机工程系)
本文提出一种基于概率计算机的通用生成建模方法,通过引入马尔可夫链蒙特卡洛动态替代独立噪声注入,利用Ising耦合结构实现更符合目标系统的空间相关性建模。
2026-08-11 cs.ET cs.LG
Open Set Recognition with Conditional Probabilistic Generative Models
Nanyang Technological University(南洋理工大学)
深度神经网络在广泛的视觉理解任务中取得了突破。阻碍其现实应用的一个典型挑战是,在测试阶段可能会将未知样本输入系统,但传统的深度神经网络会错误地将这些未知样本识别为已知类别之一。开集识别(Open Set Recognition,OSR)是解决这一问题的一种有效方法,它要求开集分类器具有拒绝未知样本的灵活性,同时在已知类别中保持较高的分类精度。概率生成模型,如变分自编码器(VAE)和对抗性自编码器(AAE),是检测未知数的流行方法,但它们不能为已知分类提供判别表示。在本文中,我们提出了一个新的框架,称为条件概率生成模型(CPGM),开集识别。我们工作的核心见解是将判别信息添加到概率生成模型中,使得所提出的模型不仅可以检测未知样本,还可以通过强制不同的潜在特征近似条件高斯分布来分类已知类别。我们讨论了许多模型变体,并提供了全面的实验来研究它们的特性。在多个基准数据集上的实验结果表明,该方法的性能明显优于基线,达到了新的最先进的性能。
2021-02-09 cs.CV cs.LG stat.ML
Understanding the Distillation Process from Deep Generative Models to Tractable Probabilistic Circuits
Tsinghua University(清华大学);University of California, Los Angeles(加州大学洛杉矶分校);Peking University(北京大学);Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院)
概率电路(ProbabilityCircuits,PC)是用于支持各种推理任务(例如,计算边际概率)。为了在复杂的现实世界任务中实现这种推理能力,Liu等人(2022)提出从不太容易处理但更具表达力的深度生成模型中提取知识(通过潜在变量分配)。然而,目前还不清楚是什么因素使这种蒸馏工作良好。在本文中,我们从理论和实证上发现,PC的性能可以超过它的教师模型。因此,我们不是从最具表现力的深度生成模型执行蒸馏,而是研究教师模型和PC应该具有哪些属性,以实现良好的蒸馏性能。这导致了一个通用的算法改进,以及其他数据类型的特定于现有的潜在变量蒸馏管道。从经验上讲,我们在具有挑战性的图像建模基准测试中的表现远远优于SoTA TPM。特别地,在ImageNet 32上,PC实现了每维4.06比特,这仅落后于变分扩散模型0.34比特(Kingma等人,2021年)。
2023-02-16 cs.AI cs.LG
A Probabilistic Generative Model for Typographical Analysis of Early Modern Printing
Carnegie Mellon University(卡内基梅隆大学);DeepMind(深度思维);University of California, San Diego(加利福尼亚大学圣迭戈分校)
我们提出了一个深入和可解释的概率生成模型来分析印刷的早期现代文档中的图形。我们专注于聚类提取的图像到底层模板中存在多个混杂的方差源。我们的方法引入了一个神经编辑器模型,该模型首先通过可解释的潜在变量从模板参数生成良好理解的打印现象,如空间扰动,然后通过生成一个不可解释的潜在向量来修改结果,该潜在向量负责墨水变化,抖动,归档过程中的噪声以及与早期现代打印相关的其他不可预见的现象。重要的是,通过引入一个推理网络,其输入仅限于观察和可解释修改的模板之间的视觉残差,我们能够控制和隔离向量值潜在变量捕获的内容。我们表明,我们的方法在混合字体文档中完全无监督发现字体的任务上优于刚性的可解释聚类基线(Ocular)和过于灵活的深度生成模型(VAE)。
2020-05-04 cs.CL cs.LG
Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings
Beijing Normal University(北京师范大学);Institute of Atmospheric Physics, Chinese Academy of Sciences(中国科学院大气物理研究所);Zhejiang University(浙江大学);Chinese Academy of Meteorological Sciences(中国气象科学研究院);Lanzhou University(兰州大学)
本文提出基于流匹配的生成式AI模型FM-Cast,实现高效且具有竞争力的SSW概率预报,提升平流层动态预测能力。
2026-02-23 cs.LG
A survey of probabilistic generative frameworks for molecular simulations
University of Maryland(马里兰大学);Institute for Physical Science and Technology(物理科学与技术研究所);University of Maryland Institute for Health Computing(马里兰大学健康计算研究所);Department of Chemistry and Biochemistry(化学与生物化学系)
本文综述分子模拟中的概率生成框架,选取基于流的模型和扩散模型进行基准测试,发现不同模型在处理不同维度和复杂性的分子数据时各有优势。
2024-11-14 cond-mat.dis-nn cond-mat.soft cond-mat.stat-mech
Neuro-SERKET: Development of Integrative Cognitive System through the Composition of Deep Probabilistic Generative Models
Ritsumeikan University(立命馆大学);Osaka University(大阪大学);The University of Electro-Communications(电气通信大学);The University of Tokyo(东京大学)
本文描述了一个框架的发展的基础上概率生成模型(PGMs)称为Neuro-SERKET的综合认知系统。Neuro-SERKET是SERKET的扩展,它可以组成以分布式方式开发的基本PGM,并提供一种允许组成的PGM以无监督的方式在整个系统中学习的方案。除了SERKET支持的头对尾连接之外,Neuro-SERKET还支持尾对尾和头对头连接,以及基于神经网络的模块,即,深层生成模型作为Neuro-SERKET应用的一个例子,通过组成变分自编码器(VAE)、高斯混合模型(GMM)、潜在狄利克雷分配(LDA)和自动语音识别(ASR)来开发综合模型。该模型称为VAE+GMM+LDA+ASR。VAE+GMM+LDA+ASR的性能和Neuro-SERKET的有效性通过使用图像数据和数字的语音信号的多模态分类任务被证明。
2020-01-30 cs.AI cs.LG
Generative Capacity of Probabilistic Protein Sequence Models
Temple University(天普大学)
Potts模型和变分自编码器(VAE)最近作为生成蛋白质序列模型(GPSM)获得了普及,以探索适应度景观并预测突变的影响。尽管令人鼓舞的结果,GPSM生成的概率分布的定量表征和比较仍然缺乏。目前尚不清楚GPSM是否可以忠实地再现由于上位性而在天然序列中观察到的复杂的多残基突变模式。我们开发了一套序列统计评估的“生成能力”的三个GPSM最近的兴趣:成对的Potts哈密顿量,VAE,和网站独立的模型,使用自然和合成数据集。我们表明,Potts哈密顿模型的生成能力是最大的,在该模型产生的高阶突变统计与自然序列中观察到的一致。相比之下,我们表明,VAE的生成能力之间的成对波茨和网站独立的模型。重要的是,我们的工作措施GPSM生成能力的高阶序列协变统计,我们已经开发,并提供了一个新的框架来评估和解释GPSM的准确性,强调上位性的作用。
2021-03-15 cs.LG physics.data-an q-bio.QM
Probabilistic Wildfire Spread Prediction Using an Autoregressive Conditional Generative Adversarial Network
Ajou University(亚洲大学)
本文提出基于自回归条件生成对抗网络的野火传播预测方法,通过对抗学习提升预测准确性和物理可解释性,以应对野火的复杂非线性动态。
2025-11-26 cs.AI cs.CE cs.CV
Denoising diffusion probabilistic models for probabilistic energy forecasting
Uliege(列日大学);Réseau de Transport d’Électricité (RTE)(法国输电网络公司)
针对能源预测中生成高质量间歇性可再生能源时间序列样本的需求,首次将去噪扩散概率模型应用于能源预测,经2014年全球能源预测竞赛数据验证,效果与前沿生成模型相当。
2023-04-06 cs.AI cs.LG
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning
Federal University of Rio de Janeiro(里约热内卢联邦大学);Queen Mary University of London(伦敦玛丽女王大学);Barcelona Supercomputing Center(巴塞罗那超级计算中心)
在广泛的压力和温度条件下准确测定复杂混合物的燃料特性对于利用替代燃料至关重要。本工作的目的是构建廉价的计算机器学习(ML)模型作为封闭方程预测替代燃料的物理性质。这些模型可以使用来自MD模拟和/或数据融合保真度方法中的实验测量的数据库来训练。在这里,采用高斯过程(GP)和概率生成模型。GP是一种流行的非参数贝叶斯方法来建立代理模型,主要是因为它能够处理偶然和认知的不确定性。生成模型已经显示出具有相同意图的深度神经网络的能力。在这项工作中,ML分析集中在一个特定的属性,燃料密度,但它也可以扩展到其他物理化学性质。这项研究探讨了ML模型处理多保真度数据的多功能性。结果表明,ML模型可以准确地预测燃料的性质的压力和温度的范围很广的条件。
2021-10-18 cs.LG stat.ML
Blind Image Restoration via Merging the Manifold Hypothesis, Kernel Method and a Diffusion-like Flow
Department of Applied Mathematics, Tel Aviv University(应用数学系,特拉维夫大学)
本文提出流形-概率投影模型,通过结合几何和概率方法,改进图像生成和去噪性能,优于现有模型。
2026-11-10 cs.CV cs.LG
Physics-guided training of GAN to improve accuracy in airfoil design synthesis
The University of Tokyo(东京大学)
针对GAN生成翼型时易出现物理不合理形状、精度不足且难生成全新形状的问题,提出用外部通用软件计算物理有效性的物理引导训练方法,无需训练数据集,可大幅提升精度并生成满足物理约束的新形状。
2023-08-19 cs.LG
A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation
University of Tübingen(图宾根大学);Tübingen AI Center(图宾根人工智能中心)
本文提出基于分数扩散模型的生成式框架,以粗分辨率气候模拟为条件,生成多变量、长时间范围且时空一致的高分辨率天气动态,并通过再分析数据验证其与全球气候输出的一致性。
2025-09-23 cs.LG physics.ao-ph
Probabilistic Inversion with Flow Matching
Institute of Geophysics and Geoinformatics, TU Bergakademie Freiberg(弗莱贝格工业大学地球物理与地理信息研究所)
将生成式AI中的流匹配方法应用于地球物理概率反演,通过两个案例验证其在简单和复杂速度模型中的有效性。
2026-07-01 cs.LG math.PR physics.geo-ph
Deterministic Prediction as Global Velocity: Flow Matching for Probabilistic Time-Series Forecast
Tufts University(塔夫茨大学)
本研究针对现有概率时间序列预测方法联合训练不稳定的问题,提出DV-Flow流匹配方法,在六个真实数据集上验证其性能优于强基线。
2026-10-14 cs.LG
Probabilistic Matching of Real and Generated Data Statistics in Generative Adversarial Networks
Uppsala University(乌普萨拉大学)
针对GAN生成分布未必匹配真实分布的问题,提出在生成器损失中加入基于f-散度和核密度估计的统计分布匹配项,并在合成与真实数据集上验证性能提升。
2024-09-06 cs.LG stat.ML
Generative AI-Based Probabilistic Constellation Shaping With Diffusion Models
University of Oulu(奥卢大学)
本文利用扩散模型的去噪生成特性进行概率星座整形,使发射与接收符号更匹配,在64-QAM下相比DNN方法余弦相似度提升30%、互信息提升三倍。
2023-11-15 cs.AI cs.IT cs.LG
The SVHN Dataset Is Deceptive for Probabilistic Generative Models Due to a Distribution Mismatch
University of Tübingen(图宾根大学);IMPRS-IS(国际马克斯·普朗克智能系统研究学院)
本文发现 SVHN 官方训练集与测试集存在分布不匹配,虽基本不影响分类,却会误导概率生成模型评估,因此提出混合重划分方案并公开新划分及索引。
2023-12-06 cs.CV cs.LG stat.ML
Probabilistic forecasting for geosteering in fluvial successions using a generative adversarial network
NORCE Norwegian Research Centre(NORCE挪威研究中心);Heriot-Watt University(赫瑞-瓦特大学)
利用实时数据约束钻头前不确定性的定量工作流程有可能显著改善地质导向。在钻前模型具有高度不确定性的复杂储层中钻井时,基于实时数据的快速更新至关重要。然而,实时数据的实际同化需要有效的地质建模和数学上稳健的参数化。我们提出了一个生成对抗性深度神经网络(GAN),经过训练可以重现河流序列的地质一致的2D截面。离线训练产生了一个快速的基于GAN的复杂地质近似值,参数化为60维模型向量,每个分量都具有标准高斯分布。概率预测使用等概率模型向量实现的集合生成。包括GAN的前向建模序列将实现的初始(先前)集合转换成EM日志预测。集成平滑器最大限度地减少预测和实时数据之间的统计失配,从而更新模型向量并降低井周围的不确定性。然后,可以将更新转化为相和折射率的概率预测。本文演示了一个工作流程地质导向在露头为基础,合成河流序列。在我们的例子中,该方法降低了不确定性,并正确预测了钻头前方500米处的大多数主要地质特征。
2022-07-04 cs.LG physics.geo-ph stat.AP
VAEL: Bridging Variational Autoencoders and Probabilistic Logic Programming
University of Bologna(博洛尼亚大学);KU Leuven(鲁汶大学)
我们提出了VAEL,神经符号生成模型集成变分自编码器(VAE)与概率逻辑(L)编程的推理能力。除了标准的潜在子符号变量,我们的模型利用概率逻辑程序来定义一个进一步的结构化表示,这是用于逻辑推理。整个过程是端到端的差异化。一旦经过训练,VAEL可以通过(i)利用神经组件中编码的先前获得的知识以及(ii)在结构化潜在空间上利用新的逻辑程序来解决新的看不见的生成任务。我们的实验提供了支持的好处,这种神经符号积分的任务泛化和数据效率。据我们所知,这项工作是第一个提出一个通用的端到端框架集成概率逻辑编程到一个深生成模型。
2022-05-25 cs.LG cs.PL
Generative Adversarial Network for Probabilistic Forecast of Random Dynamical System
IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);Rensselaer Polytechnic Institute(伦斯勒理工学院)
我们提出了一个深度学习模型,用于在没有分布假设的情况下对随机动力系统进行数据驱动的模拟。深度学习模型由一个递归神经网络和一个生成对抗网络(GAN)组成,前者旨在学习时间推进结构,后者用于从随机动力系统的概率分布中学习和采样。虽然GANs提供了一个强大的工具来模拟复杂的概率分布,但如果没有适当的正则化,训练往往会失败。在这里,我们提出了一个正则化策略的GAN的一致性条件的顺序推理问题的基础上。首先,利用最大平均差异(MMD)来保证随机过程的条件分布和边际分布的一致性。然后,通过使用MMD或从多个鉴别器来正则化多步预测的边缘分布。利用三个具有复杂噪声结构的随机过程研究了该模型的行为。
2022-04-11 cs.AI cs.LG math.DS
Dflow-SUR: Enhancing Generative Aerodynamic Inverse Design using Differentiation Throughout Flow Matching
The Hong Kong University of Science and Technology(香港科技大学);EPFL(洛桑联邦理工学院);Imperial College London(伦敦帝国学院)
Dflow-SUR通过分离物理损失优化与流匹配推断,显著提升了生成性气动设计的准确性和效率,并提供了增强的指导控制、更低的代理不确定性和更强的鲁棒性。
2025-12-09 cs.CE
Scaling Up Probabilistic Circuits by Latent Variable Distillation
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
针对概率电路(PCs)参数增多后性能易达平台期、现有优化器难以发挥其表达能力的问题,提出潜变量蒸馏方法,从Transformer生成模型提取信息指导PCs优化,在多个基准上提升了大型PCs性能,甚至媲美主流深度生成模型。
2024-12-11 cs.AI cs.LG
A deep generative model for probabilistic energy forecasting in power systems: normalizing flows
Liège University(列日大学);Mines ParisTech(巴黎高等矿业学院)
最终用途部门的直接电气化以及可再生能源的更高份额是到2050年实现碳中和社会的支柱之一。然而,与传统发电厂相比,可再生能源受到不确定性的影响,这对它们与电力系统的相互作用提出了挑战。基于情景的概率预测模型已成为装备决策者的重要工具。本文向电力系统预测从业者介绍了一种最新的深度学习技术,即归一化流,以产生准确的基于马尔可夫链的概率预测,这对于面对电力系统应用中的新挑战至关重要。该技术的优势在于通过最大化可能性来直接学习底层过程的随机多变量分布。通过使用2014年全球能源预测竞赛的开放数据进行全面的实证评估,我们证明了这种方法与其他最先进的深度学习生成模型具有竞争力:生成对抗网络和变分自编码器。通过考虑使用几个补充指标的能源零售商和质量的案例研究,在预测值方面适当地比较了基于天气的风能,太阳能和负荷情景的模型。数值实验简单,易于重现。因此,我们希望它将鼓励其他预测从业者在电力系统应用中测试和使用归一化流,例如电力市场上的投标,调度具有高可再生能源渗透率的电力系统,虚拟电力计划或微电网的能源管理,以及机组承诺。
2021-09-21 cs.LG cs.SY eess.SY
An overview of diffusion models for generative artificial intelligence
University of Münster(明斯特大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));ETH Zurich(苏黎世联邦理工学院);Risklab(风险实验室)
本文系统综述生成式AI中的扩散模型,给出DDPM的严谨数学框架、训练与生成原理,并梳理改进型DDPM、DDIM、无分类器引导和潜扩散等重要扩展。
2024-12-02 cs.AI cs.LG
Reliability of Probabilistic Emulation of Physical Systems
The Alan Turing Institute(艾伦·图灵研究所);Autodesk Research(欧特克研究院);PhysicsX;Orbital;University of Sheffield(谢菲尔德大学);University College London(伦敦大学学院)
比较生成模型与CRPS训练集成在物理系统概率仿真中的可靠性,发现CRPS集成在覆盖率和推理速度上更优。
2026-10-05 cs.LG stat.ML
A Probabilistic Fluctuation based Membership Inference Attack for Diffusion Models
School of Cyber Science and Engineering, Huazhong University of Science and Technology(华中科技大学网络空间科学与工程学院);Tsinghua University(清华大学);Dalian University of Technology(大连理工大学)
本文针对扩散模型成员推理攻击中过拟合依赖导致的性能不足问题,提出基于概率波动检测的黑盒攻击方法PFAMI,利用生成模型固有的记忆现象提升攻击成功率,实验表明其ASR较最佳基线提高约27.9%。
2024-12-26 cs.AI cs.CR cs.CV
Competency Assessment for Autonomous Agents using Deep Generative Models
University of Colorado Boulder(科罗拉多大学博尔德分校);The Charles Stark Draper Laboratory, Inc.(查尔斯·斯塔克·德雷珀实验室公司)
对于自主智能体来说,作为人类用户值得信赖的合作伙伴,它们必须能够可靠地传达它们被要求执行的任务的能力。为了实现这一目标,我们开发了基于深度生成建模的概率世界模型,该模型允许模拟代理轨迹和精确计算任务结果概率。通过将条件变分自编码器的优势与递归神经网络相结合,深度生成世界模型可以概率地预测长期任务完成的轨迹。我们展示了这些预测的轨迹如何用于计算结果概率分布,从而能够精确评估特定任务和初始设置的代理能力。
2022-03-23 cs.AI cs.HC cs.LG
Concept-Oriented Deep Learning: Generative Concept Representations
IBM(IBM(国际商业机器公司))
与判别式概念表示相比,生成式概念表示具有三大优势:能够表示不确定性,支持学习和推理的集成,有利于无监督和半监督学习。我们讨论了生成概念表示所基于的概率和生成深度学习,以及使用变分自编码器和生成对抗网络来学习生成概念表示,特别是对于数据是序列,结构化数据或图形的概念。
2018-11-15 cs.AI cs.LG stat.ML
Diffusion probabilistic models enhance variational autoencoder for crystal structure generative modeling
Chulalongkorn University(朱拉隆功大学);Thailand Center of Excellence in Physics(泰国物理卓越中心)
本研究提出DP-CDVAE模型,利用扩散概率模型替代分数匹配对原子坐标去噪,在保持晶体结构质量的同时,显著降低了生成结构与真实基态间的能量差异,提升了基态构型的表示准确性。
2023-08-04 cond-mat.mtrl-sci cond-mat.stat-mech cs.LG
AI Agents in Engineering Design: A Multi-Agent Framework for Aesthetic and Aerodynamic Car Design
Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA(麻省理工学院机械工程系);Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, Cambridge, MA, USA(麻省理工学院电气工程与计算机科学系);Department of Computer Science, Technical University of Munich, Munich, Germany(慕尼黑技术大学计算机科学系)
本研究提出了一种多代理框架,利用AI代理提升汽车设计的美学和空气动力学性能,通过自动化任务加速设计流程。
2025-03-30 cs.AI cs.CE cs.LG
Aerodynamic Shape Design Space Exploration with Deep Latent Diffusion Model
Swiss Federal Institute of Technology in Lausanne (EPFL)(洛桑联邦理工学院)
提出DiffGeo框架,结合潜在空间模型与扩散采样器,在极端数据稀缺下实现气动外形设计空间探索,经多案例验证其性能优于基线方法,可提升设计效率与多样性。
2026-09-02 cs.CE
Prob-cGAN: A Probabilistic Conditional Generative Adversarial Network for LSD1 Inhibitor Activity Prediction
本文提出Prob-cGAN概率条件生成对抗网络用于LSD1抑制剂活性预测,在ChEMBL数据集上以R²=0.739和RMSE=0.562显著优于现有模型,展示了其在药物设计中的潜力。
2024-11-23 cs.CE
DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks
Massachusetts Institute of Technology(麻省理工学院);BETA CAE SYSTEMS USA, Inc(BETA CAE系统美国公司);Technical University of Munich(慕尼黑工业大学)
提出DrivAerNet++大规模多模态汽车数据集,含8000种经高保真CFD模拟的汽车设计,支持多种机器学习应用,填补资源空白并提供基准测试,加速汽车设计与相关工程创新。
2025-02-13 cs.AI cs.CE cs.LG