Normalizing Constant Estimation with Gaussianized Bridge Sampling
Peking University(北京大学);University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Lab(劳伦斯伯克利国家实验室)
归一化常数(也称为配分函数、贝叶斯证据或边际似然)是贝叶斯推断的核心目标之一,然而大多数现有方法既昂贵又不准确。在这里,我们开发了一种新的方法,从后验样本得到一个标准的马尔可夫链蒙特卡罗(MCMC)。我们应用一种新的归一化流(NF)方法从这些样本中获得一个解析密度估计,然后通过最优桥采样(OBS)获得归一化常数。我们比较我们的方法,我们称之为高斯桥采样(GBS)现有的方法,如嵌套采样(NS)和退火重要性抽样(AIS)的几个例子,显示我们的方法是显着更快,更准确地比这些方法,并具有可靠的误差估计。
2019-12-12 astro-ph.CO cs.LG stat.CO
Applying Regularized Schrödinger-Bridge-Based Stochastic Process in Generative Modeling
Seoul National University(首尔国立大学)
与深度生成建模中现有的基于函数的模型相比,最近提出的扩散模型通过基于随机过程的方法实现了出色的性能。但由于离散化的时间步长较多,该方法需要较长的采样时间。基于薛定谔桥(SB)的模型试图通过训练分布之间的双向随机过程来解决这个问题。然而,与生成模型(如生成对抗网络)相比,它们的采样速度仍然很慢。由于双向随机过程的训练,它们需要相对较长的训练时间。因此,本研究试图减少所需的时间步长和训练时间,并提出了正则化项到现有的SB模型,使双向随机过程的一致性和稳定性与减少的时间步长。每个正则化项被集成到单个项中,以便在计算时间和内存使用方面实现更有效的训练。将该正则化随机过程应用于各种生成任务,得到了不同分布之间的期望平移,从而证实了基于具有更快采样速度的随机过程的生成建模的可能性。该代码可在https://github.com/KiUngSong/RSB上获得。
2022-08-15 cs.LG stat.ML
Reflected Schrödinger Bridge Matching
SEB Group(瑞典北欧斯安银行集团)
研究如何训练反射薛定谔桥,提出部分无模拟框架,类似流匹配训练,采用新采样方法和回归目标,耦合高维图像数据集验证,训练和推理时增加时间可忽略,性能保持或提升。
2026-07-07 cs.LG stat.ML
Efficient Diffusion Models under Nonconvex Equality and Inequality constraints via Landing
University of California, Berkeley(加州大学伯克利分校)
提出一个统一框架,通过计算高效的landing机制替代投影,结合欠阻尼动力学加速混合,在非凸可行集上实现等式和不等式约束下的扩散模型,显著降低计算成本。
2026-05-31 cs.LG stat.CO stat.ML
Bridge Matching Sampler: Scalable Sampling via Generalized Fixed-Point Diffusion Matching
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);NVIDIA(英伟达);Zuse Institute Berlin(柏林泽尼克研究所)
桥梁匹配采样器通过广义固定点扩散匹配方法,实现了在保持模式多样性的同时可扩展的高质量采样。
2026-10-12 cs.LG
Diffusion Removes Langevin's Conditioning Dependence: A Sharp Gaussian Analysis
Inria(法国国家信息与自动化研究所);École normale supérieure – PSL Research University(巴黎高等师范学院-PSL研究大学)
该研究针对高斯设定建立了扩散模型的2-Wasserstein收敛界,揭示其采样误差无额外条件数依赖,且加噪的益处源于采样阶段而非学习阶段。
2026-10-09 cs.LG stat.ML
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
Penalized Overdamped and Underdamped Langevin Monte Carlo Algorithms for Constrained Sampling
Rutgers Business School(罗格斯商学院);Florida State University(佛罗里达州立大学)
本文提出基于惩罚函数的 PLD/PULMC 及随机梯度变体,将凸体约束采样转为无约束采样,并给出 TV 与 W2 距离下的非凸和强凸收敛保证。
2024-04-14 cs.LG stat.CO stat.ML
An attempt to generate new bridge types from latent space of energy-based model
Wanshi Antecedence Digital Intelligence Traffic Technology Co., Ltd(万世前承数字智能交通科技有限公司)
本研究尝试基于能量模型潜空间生成新型桥型,用博弈论解释损失函数、朗之万动力学生成低能样本,在四类桥梁对称结构数据集上训练后可生成新样本,但存在训练不稳、生成概率低、图像清晰度差的问题。
2024-01-31 cs.AI cs.LG
Weighted Stochastic Differential Equation to Implement Wasserstein-Fisher-Rao Gradient Flow
本文提出通过带权随机微分方程实现Wasserstein-Fisher-Rao梯度流,以改进生成建模中的采样效率。
2025-12-19 cs.AI cs.LG stat.ML
Sample from What You See: Visuomotor Policy Learning via Diffusion Bridge with Observation-Embedded Stochastic Differential Equation
University of Science and Technology of China(中国科学技术大学)
提出BridgePolicy,通过扩散桥公式将观测直接集成到随机动力学中,利用语义对齐器处理异构观测,在模拟和真实任务中超越现有生成式策略。
2026-06-16 cs.AI cs.LG
An attempt to generate new bridge types from latent space of generative flow
Wanshi Antecedence Digital Intelligence Traffic Technology Co., Ltd(万世先达数字智慧交通科技有限公司)
本文利用 TensorFlow Probability 的 Glow API 训练归一化流,将四类桥梁图像的复杂分布映射到标准正态潜空间,并采样生成训练集中未出现的新型桥梁。
2024-01-18 cs.AI cs.CV cs.LG
An attempt to generate new bridge types from latent space of generative adversarial network
Wanshi Antecedence Digital Intelligence Traffic Technology Co., Ltd(万世先见数智交通科技有限公司)
本研究利用生成对抗网络,基于Python、TensorFlow和Keras框架及四种对称结构桥梁图像数据集,通过低维潜在空间采样生成具有不对称结构的新桥型,展现了生成式AI的原创能力与启发潜力。
2024-01-01 cs.AI cs.CV cs.LG
Time-Correlated Video Bridge Matching
Kandinsky Lab(Kandinsky实验室);Applied AI Institute(应用人工智能研究所);HSE University(高等经济大学)
本文提出时间相关视频桥匹配框架,解决视频生成中时间相关序列建模问题,通过建模序列间依赖性和时间相关性,提升视频生成质量与重建精度。
2026-10-20 cs.LG
Acoustic Waveform Inversion with Image-to-Image Schrödinger Bridges
Moscow Institute of Physics and Technology(莫斯科物理技术学院)
针对声波全波形反演中扩散模型采样慢且输出控制难的问题,提出条件图像到图像薛定谔桥框架,从平滑速度模型和地震信号重建参考速度模型,仅需少量神经函数评估即可超越条件扩散模型和监督学习方法。
2025-06-18 cs.LG
On Approaches to Building Surrogate ODE Models for Diffusion Bridges
NSS Lab ITMO University(ITMO大学NSS实验室)
本文提出SINDy-FM和DSBM-NeuralODE两种算法,通过替代模型提升扩散桥梁模型的效率和可解释性,适用于高斯传输和MNIST潜在翻译任务。
2025-12-14 cs.LG
Generative Modeling with Phase Stochastic Bridges
Georgia Tech(佐治亚理工学院);Apple(苹果公司)
针对现有扩散模型依赖位置空间SDE逆向求解的生成范式,本文提出基于相空间动力学的生成建模框架,通过构建相空间路径测度实现早期生成,在小NFEs场景下图像生成性能优于基线且媲美带高效采样的扩散模型。
2024-05-12 cs.AI cs.LG
Poisson Midpoint Method for Log Concave Sampling: Beyond the Strong Error Lower Bounds
Google DeepMind(谷歌DeepMind)
本研究提出用于强对数凹分布采样的Poisson中点离散化方法,证明其在2-Wasserstein距离下收敛,精度依赖上较Euler-Maruyama法实现三次方加速,且欠阻尼场景下W₂收敛复杂度低于已知L²强误差下界。
2025-10-01 cs.LG math.PR math.ST
Parameter Inference via Differentiable Diffusion Bridge Importance Sampling
University of Copenhagen(哥本哈根大学);Globe Institute(地球研究所)
提出一种基于可微扩散桥重要性采样的参数推断方法,利用分数匹配近似扩散桥以估计对数似然,并通过梯度上升实现参数推断与扩散均值估计,在生物形态测量数据上验证了有效性。
2024-11-13 cs.LG stat.ML
BridgeTwist: Twisting Schrödinger Bridges for Training-Free Conditional Sampling
Tsinghua University(清华大学)
提出BridgeTwist,一种针对预训练薛定谔桥生成模型的无训练条件采样器,在类条件、文本提示图像生成及图像修复等任务上性能优于无训练基线,与专门逆问题求解器竞争力相当。
2026-10-14 cs.LG stat.ML
Discrete diffusion samplers and bridges: Off-policy algorithms and applications in latent spaces
University of Edinburgh(爱丁堡大学);CIFAR Fellow(卡尔·弗里德里希·列文森研究员)
提出离策略训练技术改进离散扩散采样器性能,并首次引入离散域的数据到能量薛定谔桥训练,应用于图像生成模型的离散潜在空间中的无数据后验采样。
2026-05-28 cs.LG stat.ML
Neural Bridge Sampling for Evaluating Safety-Critical Autonomous Systems
Stanford University(斯坦福大学);University of Pennsylvania(宾夕法尼亚大学);Massachusetts Institute of Technology(麻省理工学院)
基于学习的方法越来越多地应用于自动驾驶和医疗机器人等安全关键领域。由于危险事件的罕见性,现实世界的测试是昂贵的,不可扩展的。在这项工作中,我们采用了概率的方法来模拟安全评估,在那里我们关注的是计算危险事件的概率。我们开发了一种新的罕见事件模拟方法,结合勘探,开发和优化技术,找到故障模式,并估计其发生率。我们提供严格的保证,我们的方法在统计和计算效率方面的性能。最后,我们证明了我们的方法在各种情况下的有效性,说明了它作为快速灵敏度分析和模型比较的工具的有用性,这对于开发和测试安全关键的自主系统至关重要。
2021-08-08 cs.LG stat.ML
Neural Guided Diffusion Bridges
Department of Computer Science, University of Copenhagen(哥本哈根大学计算机科学系);Department of Mathematics, Vrije Universiteit Amsterdam(阿姆斯特丹自由大学数学系)
本文提出一种基于神经网络近似桥动力学的扩散桥模拟方法,无需MCMC或分数建模,适用于稀有事件和多模态分布,训练后可高效采样独立桥。
2025-06-19 cs.LG stat.ML
Kinetic Langevin Meets Split Gibbs: Accelerated Posterior Sampling for Imaging Inverse Problems with Diffusion Priors
Hokkaido University(北海道大学);Institute of Information Technology, VAST(越南科学技术翰林院信息技术学院)
本文提出RED-KLwSGS及其联合变体,将动力学朗之万扩散与分裂吉布斯采样结合,以加速成像逆问题的后验采样,并证明非渐近收敛性,实验显示更快收敛和高质量重建。
2026-10-08 cs.LG stat.ML
On the Theory of Variance Reduction for Stochastic Gradient Monte Carlo
University of California, Berkeley(加州大学伯克利分校)
我们提供收敛保证瓦瑟斯坦距离的各种方差减少的方法:SAGA Langevin扩散,SVRG Langevin扩散和控制变量欠阻尼Langevin扩散。我们分析这些方法下的一组统一的假设的对数-后验分布,假设它是光滑的,强凸和Hessian Lipschitz。这是通过一种新的证明技术结合有限和优化和抽样方法的分析思想来实现的。我们尖锐的理论界限,使我们能够确定感兴趣的制度,其中每种方法比其他执行得更好。我们的理论与实验验证真实世界和合成数据集。
2018-02-15 cs.LG stat.ML
Reflected Proximal Dynamics for Accelerated High-Accuracy Log-Concave Sampling
Georgia Institute of Technology(佐治亚理工学院)
该研究针对对数凹采样问题,提出反射邻近动力学,开发两种实现,在热启动及消除热启动假设的情形下,均实现了更优的神谕查询复杂度,为高精度对数凹采样提供了新的有前景框架。
2026-10-14 cs.AI cs.LG math.ST
On the Ergodicity, Bias and Asymptotic Normality of Randomized Midpoint Sampling Method
University of California, Davis(加利福尼亚大学戴维斯分校);University of Toronto(多伦多大学);Vector Institute(矢量研究所)
随机中点方法,提出了[SL 19],已成为一个最佳的离散化过程模拟连续时间朗之万扩散。针对强凸光滑势的情形,本文分析了过阻尼和欠阻尼Langevin扩散的随机中点离散方法的若干概率性质.我们首先描述了固定分布的离散链得到恒定步长离散化,并表明它是偏离目标分布。值得注意的是,步长需要趋于零以获得渐近无偏性。接下来,我们建立了使用随机中点方法的数值积分的渐近正态性,并强调了相对于其他离散化的优点和缺点。我们的研究结果共同提供了一些见解的随机中点离散化方法的行为,包括获得数值积分的置信区间。
2021-09-10 cs.LG math.ST stat.CO
Building Bridges: Viewing Active Learning from the Multi-Armed Bandit Lens
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们提出了一个多臂强盗启发,池为基础的主动学习算法的问题的二进制分类。通过仔细构建一个类比之间的主动学习和多臂土匪,我们利用的想法,如置信下限,自洽正则化从多臂土匪文献设计我们提出的算法。我们的算法是一个顺序算法,它在每一轮中分配一个采样分布在池中,从这个分布中采样一个点,并查询这个采样点的标签的oracle。这种抽样分布的设计也受到了主动学习和多臂强盗之间的类比的启发。我们将展示如何推导出我们的算法所需的置信下限。与先前提出的主动学习算法的实验比较表明,在一些标准的UCI数据集上的性能优越。
2013-09-26 cs.LG stat.ML
The Randomized Midpoint Method for Log-Concave Sampling
University of Washington(华盛顿大学);Microsoft Research(微软研究院)
对数凹分布的抽样是一个在统计学和机器学习中有许多应用的研究问题。本文研究了$p^{*}\propto\exp(-f(x))$型的分布,其中$f:\mathbb{R}^{d}\rightarrow\mathbb{R}$具有$L$ -Lipschitz梯度,并且是$m$ -强凸的.本文提出了一种基于欠阻尼朗之万扩散(ULD)的马尔可夫链蒙特卡罗(MCMC)算法。它可以在$\tilde{O}\left(κ^{7/6}/ε^{1/3}+κ/ε^{2/3}\right)$步骤中实现$ε\cdot D$误差(以2-Wasserstein距离计),其中$D\overset{\mathrm{def}}{=}\sqrt{\frac{d}{m}}$是问题的有效直径,$κ\overset{\mathrm{def}}{=}\frac{L}{m}$是条件数。我们的算法执行速度显着比以前最好的已知算法解决这个问题,这需要$\tilde{O}\left(κ^{1.5}/ε\right)$的步骤。此外,我们的算法可以很容易地并行化,只需要$O(κ\log\frac{1}ε)$并行步骤。为了解决抽样问题,我们提出了一个新的框架来离散随机微分方程。我们应用这个框架离散和模拟ULD,它收敛到目标分布$p^{*}$。该框架不仅可用于解决对数凹抽样问题,还可用于解决涉及模拟(随机)微分方程的任何问题。
2019-09-12 cs.DS cs.LG math.PR
Faster Differentially Private Samplers via Rényi Divergence Analysis of Discretized Langevin MCMC
UC Berkeley(加州大学伯克利分校);Google Brain(谷歌大脑)
各种不同的私有算法实例化指数机制,并且需要从分布$\exp(-f)$采样以获得合适的函数$f$。当分布的域是高维时,这种采样在计算上可能是具有挑战性的。使用启发式抽样方案,如吉布斯抽样,并不一定导致可证明的隐私。当$f$是凸的时,对数凹采样的技术导致多项式时间算法,尽管具有大的多项式。基于朗之万动力学的算法在某些距离度量(如统计距离)下提供了更快的替代方案。在这项工作中,我们建立了快速收敛的距离措施下,这些算法更适合差分隐私。对于光滑的强凸的$f$,我们给出了证明收敛于Rényi发散的第一个结果。这为我们提供了用于这种$f$的快速差分私有算法。我们的技术和简单和通用的,也适用于欠阻尼朗之万动力学。
2020-12-17 cs.CR cs.DS cs.LG
Control, Transport and Sampling: Towards Better Loss Design
UC Davis(加州大学戴维斯分校);University of Ljubljana(卢布尔雅那大学)
本研究依托薛定谔桥问题打通扩散采样、最优输运与随机最优控制的关联,提出新型目标函数实现分布输运与采样,明确路径视角及最优性条件对损失设计的价值,且该框架支持在神经网络训练中融入归纳偏置。
2024-10-10 cs.LG stat.CO stat.ML
Particle Filter Bridge Interpolation
KTH Royal Institute of Technology(瑞典皇家理工学院)
近年来,自动编码模型得到了广泛的研究。它们为样本生成以及分析特征学习提供了一个有效的框架。此外,它们在语义上有意义的方式执行数据点之间的插值是有效的。在本文中,我们进一步建立在以前介绍的方法产生规范,尺寸无关,随机插值。这里,插值路径的分布被表示为潜在空间中的桥接过程的分布,该桥接过程从人工随机数据生成过程构建,具有先验分布作为其不变分布。结果,随机内插路径倾向于驻留在潜在空间的先验具有高质量的区域中。这是一个理想的特征,因为一般来说,这样的区域产生语义上有意义的样本。在本文中,我们通过引入一个可准确识别高潜在表示密度区域的神经网络来扩展桥处理方法。该方法将离散神经网络作为底层桥接过程的一种度量变化,并采用序贯蒙特卡罗方法实现插值路径的采样。由此产生的采样程序允许更大的变化,插值路径和更强的漂移向高数据密度的地区。
2021-03-27 cs.CV cs.LG stat.ML
Localized Schrödinger Bridge Sampler
School of Mathematics and Statistics, University of Sydney(悉尼大学数学与统计学院);Department of Mathematics, University of Potsdam(波茨坦大学数学系)
针对 Schrödinger 桥采样器中训练样本量随维度呈指数增长的瓶颈,提出利用条件期望值条件独立性的局部化策略,将其转化为多个低维问题,并证明其稳定且几何遍历,同时扩展至条件采样与贝叶斯推断。
2024-11-17 cs.LG cs.NA math.NA
Exploring the Design Space of Diffusion Bridge Models
本文通过预处理、端点条件化和优化采样算法扩展随机插值框架,统一并提升了扩散桥模型在图像到图像转换中的质量与效率,同时提出定量分析并改善固定条件下的输出多样性。
2025-07-02 cs.LG
Score matching for sub-Riemannian bridge sampling
University of Bergen(卑尔根大学);University of Warwick(华威大学);University of Copenhagen(哥本哈根大学)
针对次黎曼流形上扩散桥模拟的难题,本文提出利用机器学习训练得分近似器,通过随机泰勒展开将去噪损失推广至非完整标架,并在 Heisenberg 群上验证了该方法的有效性。
2024-04-23 cs.LG math.DG math.PR
Adjoint Schrödinger Bridge Sampler
FAIR at Meta(Meta 的 FAIR);Georgia Institute of Technology(佐治亚理工学院)
ASBS是一种基于施罗德inger桥的新型扩散采样器,通过伴随匹配方法实现高效采样,无需估计目标样本,适用于多种能量函数和分子分布。
2025-11-24 cs.LG math.OC stat.ML
Diffusion Language Model Parallel Decoding via Product-of-Experts Bridge
Stanford University(斯坦福大学)
提出PoE-Bridge框架,通过专家乘积构建中间分布,结合扩散语言模型并行解码和自回归模型质量,实现5倍加速并恢复至少95%的AR性能。
2026-07-08 cs.CL cs.LG cs.PF
Diffusion Bridge Mixture Transports, Schrödinger Bridge Problems and Generative Modeling
Cogent Labs
本文提出迭代扩散桥混合(IDBM)算法求解动态薛定谔桥问题,理论证明其收敛性,并利用其首次迭代作为无近似生成建模方法,实现更灵活、加速训练且样本质量更优的输运。
2023-12-22 cs.LG stat.ML
Stable generative modeling using Schrödinger bridges
本文提出一种结合薛定谔桥与朗之万动力学的生成模型,通过匹配核带宽与时间步长规避刚性随机微分方程的稳定性问题,并引入分裂步格式保证样本位于训练样本凸包内,可扩展至条件采样与贝叶斯推断。
2024-10-23 cs.LG cs.NA math.NA
A Unified and Fast-Sampling Diffusion Bridge Framework via Stochastic Optimal Control
School of Information Science and Technology, ShanghaiTech University(信息科学与技术学院,上海科技大学);School of Data Science, Fudan University(数据科学学院,复旦大学)
本文提出基于随机最优控制的统一快速采样扩散桥框架 UniDB,通过可调终端惩罚系数和免训练闭式加速算法,在图像恢复中兼顾细节保真与采样效率。
2025-11-11 cs.AI cs.CV cs.LG
There and Back Again: Bidirectional Diffusion Bridges for Multimodality Translation
Stanford University(斯坦福大学)
针对现有多模态转换方法的不足,提出BIT双向图像-文本扩散桥,实现双向生成且性能优于基线。
2026-08-31 cs.LG
Path Integral Sampler: a stochastic control approach for sampling
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种从非归一化概率密度函数中抽取样本的新算法--路径积分采样器PIS。PIS是建立在薛定谔桥问题,其目的是恢复最有可能的扩散过程的初始分布和终端分布的演变。PIS从初始分布中提取样本,然后通过薛定谔桥传播样本以到达终端分布。应用Girsanov定理,通过一个简单的先验扩散,将PIS表示为一个随机最优控制问题,其运行成本为控制能量,终端成本根据目标分布选择。通过将控制建模为神经网络,我们建立了一个采样算法,可以训练端到端。我们提供了理论依据的采样质量的PIS的Wasserstein距离时,使用次最优控制。此外,路径积分理论被用来计算样本的重要性权重,以补偿由控制器的次优性和时间离散化引起的偏差。我们通过实验证明了PIS与其他最先进的采样方法相比在各种任务上的优势。
2022-03-10 cs.LG
Target-ESS Tempered Policy Optimization (TETPO): Smooth Variance Control via Bridge Importance Sampling
LinkedIn(领英)
针对大型语言模型异步强化学习后训练的离策略问题,提出TETPO方法,通过数据自适应指数调整重要性权重,在高过时度数学推理基准上优于相关基线。
2026-10-14 cs.AI cs.LG
An Improved Analysis of Langevin Algorithms with Prior Diffusion for Non-Log-Concave Sampling
Hong Kong University of Science and Technology(香港科技大学);The University of Hong Kong(香港大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
该研究针对满足对数Sobolev不等式的更广泛非对数凹分布,证明带先验扩散的改进朗之万算法可实现KL散度的维度无关收敛,通过构造插值SDE优化了理论分析,为快速采样算法研发提供新思路。
2024-03-10 cs.LG math.OC math.ST
Geometric Constraints in Probabilistic Manifolds: A Bridge from Molecular Dynamics to Structured Diffusion Processes
University of Basel(巴塞尔大学)
本文提出在去噪扩散概率模型中集成约束投影算子,实现对欧几里得空间中任意几何约束分布的严格采样,为药物设计等需要维持特定分子相互作用的任务提供新方法。
2023-07-10 cs.LG q-bio.QM
Regularized Schrödinger Bridge via Distortion-Perception Perturbation for High-Fidelity Speech Enhancement
本文针对扩散语音增强方法的保真度-真实感权衡与暴露偏差问题,提出正则化薛定谔桥,通过失真-感知扰动缓解训练-推理不匹配、提升重建保真度。
2026-08-04 cs.LG cs.SD
Transport with Support: Data-Conditional Diffusion Bridges
Aalto University(阿尔托大学)
本文提出迭代平滑桥(ISB),通过将贝叶斯滤波和最优控制集成到扩散过程学习中,扩展了仅依赖初始和终端约束的Schrödinger桥,以解决具有中间阶段稀疏观测约束的时间序列数据生成问题。
2023-11-24 cs.LG
An attempt to generate new bridge types from latent space of denoising diffusion Implicit model
Wanshi Antecedence Digital Intelligence Traffic Technology Co., Ltd(万世前因数字智慧交通科技有限公司)
本研究利用去噪扩散隐式模型,基于对称结构桥梁图像数据集进行训练,从潜在空间采样生成不对称新桥型,并提供了易懂的数学推导以助初学者理解。
2024-02-11 cs.AI cs.CV cs.LG
Quantum Algorithms for Sampling Log-Concave Distributions and Estimating Normalizing Constants
Joint Center for Quantum Information and Computer Science(量子信息与计算机科学联合中心);University of Maryland(马里兰大学);Center on Frontiers of Computing Studies(计算前沿研究中心);Peking University(北京大学);Simons Institute(西蒙斯研究所);UC Berkeley(加州大学伯克利分校);Pennsylvania State University(宾夕法尼亚州立大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出基于欠阻尼 Langevin 扩散和量子 Metropolis 调整 Langevin 的算法,用于对数凹采样与归一化常数估计,在零阶查询下匹配经典一阶复杂度,并取得相对经典算法的多项式加速及近最优误差下界。
2022-10-12 cs.LG math.OC quant-ph
Multi-domain Distribution Learning for De Novo Drug Design
École Polytechnique Fédérale de Lausanne(瑞士联邦理工学院);VantAI, Inc.(VantAI公司);University of Oxford(牛津大学)
该研究提出生成模型DrugFlow,结合连续流匹配与离散马尔可夫桥实现三维蛋白质-配体数据多方面学习的最优性能,具备分布外检测能力,还提出联合偏好对齐方案并扩展模型探索蛋白质构象景观。
2025-08-25 cs.LG q-bio.BM