One-Step Generative Surrogate Models via Block-Triangular Joint Drifting
Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）；University of Toronto（多伦多大学）；EPFL（洛桑联邦理工学院）
本文提出块三角联合漂移方法，通过投影漂移场作用于联合分布，实现一步生成随机轨迹的代理模型，在保持边际分布的同时直接采样条件分布，实验证明其精度与成本权衡优于现有生成式代理模型。
2026-09-23 cs.LG cs.NA math.NA
Drifting Preference Optimization for One-Step Generative Models
Westlake University（西湖大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
提出 DrPO 方法，通过在线采样和排序构建非参数偶极偏好场及参考漂移，实现一步式生成模型的无梯度偏好微调。
2026-06-03 cs.CV cs.LG
Occupancy Modeling via Drifting: One-Step Generation Enables Direct Policy Extraction
University of Tübingen（蒂宾根大学）；ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
该研究提出一种基于drifting的新颖简化占用建模方法，可通过对占用模型直接求导提取策略，无需评论者蒸馏，在标准基准测试上性能有所提升。
2026-10-14 cs.LG
Drifting Models for Surrogate Flow Modeling
Center for Machine Learning (ZML)（机器学习中心（ZML））；Institute for Flow in Additively Manufactured Porous Structures (ISAPS)（添加剂制造多孔结构流动研究所（ISAPS））；Heilbronn University of Applied Sciences（海德堡应用科学大学）
提出条件漂移框架，在VAE潜空间中进行漂移并利用标签感知掩码对齐边界条件，实现高质量单步生成，速度比迭代扩散快两个数量级。
2026-06-05 cs.LG
Generative Drifting is Secretly Score Matching: a Spectral and Variational Perspective
LIX, Ecole Polytechnique, IP Paris（巴黎高等理工学院信息研究所）
本文通过揭示高斯核下漂移算子等价于平滑分布上的分数差，将生成性漂移方法纳入分数匹配框架，并利用谱分析和变分方法解决了原始工作中的三个遗留问题，同时提出了指数带宽退火策略和基于JKO方案的停止梯度算子理论依据。
2026-05-29 cs.LG
DriftWorld: Fast World Modeling through Drifting
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）
研究针对预测性世界模型生成展开慢的问题，提出基于漂移生成模型的DriftWorld，训练时学习动作条件漂移以快速生成未来帧，在机器人操作基准测试中实现快速准确决策，还能作离线模拟器，性能优于基于扩散的基线。
2026-10-05 cs.CV cs.LG cs.RO
SymDrift: One-Shot Generative Modeling under Symmetries
Institute of Artificial Intelligence（人工智能研究所）；University of Stuttgart（斯图加特大学）
SymDrift通过引入对称感知的漂移场和G不变嵌入，解决漂移模型在对称性下的挑战，提升一次生成建模的性能和效率。
2026-09-30 cs.AI cs.LG
DriftXpress: Faster Drifting Models via Projected RKHS Fields
Cheriton School of Computer Science, University of Waterloo and Vector Institute（计算机科学学院，滑铁卢大学及向量研究所）；Department of Electrical and Computer Engineering, University of Waterloo and Vector Institute（电气与计算机工程系，滑铁卢大学及向量研究所）；A*STAR Centre for Frontier AI Research, Singapore（新加坡前沿人工智能研究中心）
DriftXpress通过投影RKHS场降低漂移模型的训练成本，保持其吸引-排斥结构，实现与标准漂移模型相近的FID表现，同时减少训练时间。
2026-07-27 cs.AI cs.LG
Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）
针对网络入侵检测中概念漂移和数据不平衡导致性能下降且标注困难的问题，提出生成式主动适应框架NetGuard，通过密度感知先验选择和深度生成模型合成样本，显著提升了罕见攻击检测的F1分数并降低了标注成本。
2025-08-14 cs.CR cs.LG cs.NI
Identifiability and Stability of Generative Drifting in the Companion-Elliptic Kernel Family
Department of Mathematical Sciences, Korea Advanced Institute of Science and Technology (KAIST)（数学科学系，韩国科学技术院（KAIST））
本文研究了生成漂移框架下漂移场的可识别性和稳定性，引入伴随椭圆核族以解决标准高斯分数场论证失效的问题，并证明该族包含拉普拉斯核和具有平滑参数ν≥1/2的高斯和马特恩核，从而建立任意Borel概率测度下的场可识别性及稳定性条件。
2026-08-14 cs.LG stat.ML
Kernel-Gradient Drifting Models
University of Amsterdam（阿姆斯特丹大学）；AMLab（人工智能实验室）；CuspAI；UvA-Bosch Delta Lab（UvA-博斯奇Delta实验室）
本文提出核梯度漂移模型，通过核诱导方向替代固定欧几里得位移方向，实现通用核的漂移建模，解决了传统漂移模型仅限高斯核的问题，提升了生成质量与泛化能力。
2026-11-03 cs.LG math.DG
Second Order Drifting Models
University of Utah（犹他大学）；Scientific Computing and Imaging (SCI) Institute（科学计算与成像研究所）
该研究提出二阶漂移模型，通过引入人工速度变量将漂移动力学拓展至相空间，结合 Nesterov 加速缓解一阶漂移的频谱刚性，在合成分布匹配等任务上实现了更优的收敛与性能。
2026-08-11 cs.AI cs.LG cs.NA
On the Wasserstein Gradient Flow Interpretation of Drifting Models
Google DeepMind（谷歌DeepMind）
本文通过Wasserstein梯度流分析了漂移模型，揭示了GMD框架与WGF路径之间的关系，展示了三种主要结果：漂移模型中的算法对应于KL散度的WGF极限点，实际实现的算法对应于Sinkhorn散度的固定点但缺乏某些特性，同时该方法可以扩展到其他WGF的极限点，如MMD、切线Wasserstein距离和GAN批评者函数。
2026-05-21 cs.AI cs.LG stat.ML
A Unified View of Score-Based and Drifting Models
Sony AI（索尼人工智能）；Sony Group Corporation（索尼集团）；Stanford University（斯坦福大学）；Georgia Tech（佐治亚理工学院）
本文揭示漂移模型与基于分数生成模型的紧密联系，证明漂移本质上是分数匹配目标，通过核估计非参数化实现，而扩散模型则参数化学习。
2026-05-15 cs.AI cs.CV cs.LG
Drift, Then Spread: Learning One-Step Generative Policies for Online Reinforcement Learning
The University of Hong Kong（香港大学）；Beihang University（北京航空航天大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Tsinghua University（清华大学）
针对在线强化学习中生成策略采样代价高的问题，提出单步生成策略DriftSpread，其在MuJoCo上的聚合归一化回报最高，且训练与推理效率优于扩散、流类基线方法。
2026-10-14 cs.LG
Discrete Wasserstein Flows for One-Step Generative Modeling
Imperial College London（帝国理工学院）；Aalborg University（奥尔堡大学）；Centre for Frontier AI Research (CFAR)（前沿人工智能研究中心）；Institute of Advanced Intelligence and Computing (IAIC)（先进智能与计算研究所）；A*STAR（新加坡科技研究局）；University of Copenhagen（哥本哈根大学）
提出基于离散Wasserstein几何的KL梯度流框架，通过马尔可夫跳跃实现有限状态空间上的一步生成建模，验证了动力学一致性与生成器跟踪能力。
2026-10-02 cs.AI cs.LG
Distilling Drifting Transformers with Representation Autoencoders
Tsinghua University（清华大学）；Ant Group（蚂蚁集团）；CUHK（香港中文大学）
提出Drift-RAE方法，通过漂移范式在表示自编码器潜空间中蒸馏预训练流模型，解决各向异性和大曲率问题，在ImageNet 256上仅用10k步达到1.77 FID。
2026-08-04 cs.AI cs.LG
Analytical Correction for Subsampling Bias in Drifting Models
Purdue University（普渡大学）
本文提出Analytical Bias Correction方法，通过闭合形式调整减少子采样偏倚，将误差从O(1/n)降至O(1/n²)，并在CIFAR-10上验证了其有效性。
2026-04-29 cs.LG
Anchored or Drifting: What Recursive Self-Generation Reveals About Training Data
Warsaw University of Technology（华沙理工大学）
提出MADreMIA框架，利用链式再生迭代轨迹增强生成模型的成员推断和数据集推理攻击，在低误报率下提升信号强度。
2026-10-06 cs.AI cs.LG
Generative Diffusion Modeling: A Practical Handbook
本手册提供扩散模型的统一视角，涵盖多种相关方法，通过统一符号与代码实现对齐弥合“论文到代码”差距，并系统介绍基础、预训练及后训练技术，旨在为生成式建模提供实用指南。
2024-12-22 cs.CV cs.LG
Test-Time Instance-Specific Parameter Composition: A New Paradigm for Adaptive Generative Modeling
Monash University（莫纳什大学）；The University of Melbourne（墨尔本大学）；Meta Inc（Meta公司）
本文提出Composer，一种基于测试时实例特定参数组合的适应生成建模新范式，通过在推理时生成输入条件化的参数适应，提升生成质量与效率，适用于多种生成模型。
2026-03-29 cs.CV cs.LG
Bidirectional Generative Modeling Using Adversarial Gradient Estimation
The Hong Kong University of Science and Technology（香港科技大学）
本文考虑了双向生成建模的一般$f$ -发散公式，其中包括VAE和BiGAN作为特例。我们提出了一种新的优化方法，这种配方，其中的梯度计算使用一个adversarially学习的神经网络。在我们的框架中，我们表明，不同的分歧诱导类似的算法在梯度评估，除了不同的缩放。因此，本文给出了一个一般配方的一类原则性的$f$ -发散的生成式建模方法。理论的理由和广泛的实证研究，证明我们的方法比现有的方法的优势。
2020-06-30 cs.CV cs.LG stat.ML
Introspective Generative Modeling: Decide Discriminatively
UCSD（加州大学圣地亚哥分校）
我们通过开发内省生成建模（IGM）来研究无监督学习，IGM使用渐进学习的深度卷积神经网络来获得生成器。生成器本身是一个具有内省能力的学习器：能够自我评估其生成的样本与给定的训练数据之间的差异。当随后进行重复的判别学习时，现代判别分类器的期望属性直接由生成器继承。IGM使用分类合成算法学习CNN分类器的级联。在实验中，我们观察到令人鼓舞的结果，包括纹理建模，艺术风格转移，人脸建模，和半监督学习的应用。
2017-04-25 cs.CV cs.LG cs.NE
Deep Convolutional Generative Modeling for Artificial Microstructure Development of Aluminum-Silicon Alloy
SRM Institute of Science and Technology（SRM科学技术学院）
机器学习是人工智能的一个子领域，在制造业和材料科学领域有着各种应用。本研究采用无监督机器学习技术中的深度生成建模方法构建了硅铝合金的人工显微组织。深度生成对抗网络已被用于开发给定微观结构图像数据集的人工微观结构。所获得的结果表明，所开发的模型已经学会了在微观结构的某些图像附近复制衬里。
2021-09-06 cs.CV cs.LG eess.IV
Is Generative Modeling-based Stylization Necessary for Domain Adaptation in Regression Tasks?
University of Waterloo（滑铁卢大学）
本文质疑回归任务中基于生成建模的输入级风格化的必要性，发现其作用有限，并提出非参数特征对齐方法 ImSty，在避免高计算开销的同时持续提升 SOTA 回归性能。
2023-06-02 cs.AI cs.CV cs.LG
Generative modeling with projected entangled-pair states
Ghent University（根特大学）
我们认为，并证明，投影纠缠对状态（PEPS）优于矩阵产品状态显着的任务生成建模的数据集与内在的二维结构，如图像。我们的方法建立在最近推出的算法采样PEPS，它允许有效的优化和采样的分布。
2022-02-16 cond-mat.stat-mech cs.CV cs.LG
Generative Image Modeling Using Spatial LSTMs
University of Tübingen（图宾根大学）
对自然图像的分布进行建模具有挑战性，部分原因是可以扩展到数百个像素的强统计依赖性。递归神经网络已经成功地在许多问题中捕获了长距离依赖关系，但直到最近才找到了用于生成图像模型的方法。在这里，我们介绍了一个经常性的图像模型的基础上，多维长短期记忆单元，特别适合于图像建模，由于其空间结构。我们的模型可扩展到任意大小的图像，并且其可能性在计算上是易于处理的。我们发现，它优于最先进的几个图像数据集的定量比较，并产生有前途的结果时，用于纹理合成和修复。
2015-09-18 cs.CV cs.LG stat.ML
A Survey on Temporal Graph Representation Learning and Generative Modeling
IIT Delhi（德里印度理工学院）
时态图表示实体之间的动态关系，并且出现在许多现实生活应用中，如社交网络、电子商业、通信、道路网络、生物系统等等。它们需要研究静态图的生成建模和表示学习。在这次调查中，我们全面回顾了神经时间依赖图表示学习和生成建模方法，提出了在最近的时间处理图。最后，我们确定了现有方法的弱点，并讨论了我们最近发表的论文TIGGER[24]的研究建议。
2022-08-25 cs.LG
Modeling documents with Generative Adversarial Networks
Aylien Ltd.（Aylien有限公司）
本文描述了一种使用生成对抗网络来学习自然语言文档的分布式表示的方法。我们提出了一个模型，该模型是基于最近提出的基于能量的GAN，而是使用一个去噪自动编码器作为网络。文档表示提取的隐藏层中的隐藏层和定量和定性的评价。
2016-12-29 cs.LG
Generative Modeling of Convolutional Neural Networks
Microsoft Research（微软研究院）；University of California, Los Angeles（加州大学洛杉矶分校）
卷积神经网络（CNN）已被证明是判别学习的强大工具。最近，研究人员也开始对CNN的生成方面表现出兴趣，以便更深入地了解他们所学到的知识以及如何进一步改进它们。本文研究CNN的生成建模。主要贡献包括：（1）构造了一个参考分布指数倾斜形式的CNN生成模型。(2)我们通过非参数重要性采样方案提出了一种用于预训练CNN的生成梯度，该方案与常用的判别梯度有根本不同，但与后者具有相同的计算架构和成本。(3)我们提出了一种生成可视化方法的CNN采样从一个显式的参数图像分布。所提出的可视化方法可以直接绘制合成样本的任何给定的节点在一个训练的CNN的汉密尔顿蒙特卡罗（HMC）算法，而不诉诸任何额外的保持图像。在具有挑战性的ImageNet基准测试上的实验表明，所提出的生成梯度预训练始终有助于提高CNN的性能，并且所提出的生成可视化方法可以从大规模深度CNN中生成有意义的各种合成图像样本。
2015-04-09 cs.CV cs.LG cs.NE
Trans-Dimensional Generative Modeling via Jump Diffusion Models
University of Oxford（牛津大学）；University of British Columbia（不列颠哥伦比亚大学）；CNRS ENS Ulm（法国国家科学研究中心巴黎高等师范学院）
本文提出基于跳跃扩散过程的生成模型，通过联合建模状态与维度来处理维度可变数据，并在分子和视频数据集上验证了其在插补和插值任务中的优势。
2023-10-30 cs.CV cs.LG stat.ML
One-Step Generative Modeling via Unbalanced Optimal Transport
Imperial College London（帝国理工学院）；Ant Group（蚂蚁集团）；Brunel University of London（伦敦布鲁内尔大学）
针对一步生成模型，提出非平衡最优传输梯度流（UOT-GF），仅松弛真实数据边际，在ImageNet-256上以DiT-B/2将FID从1.53降至1.46，并在更大模型上取得最优一步生成性能。
2026-09-29 cs.IT cs.LG math.IT
KernelNet: A Data-Dependent Kernel Parameterization for Deep Generative Modeling
State University of New York at Buffalo（纽约州立大学布法罗分校）
核学习是机器学习中的一个重要概念。内核方法的标准方法通常使用预定义的内核，需要仔细选择超参数。为了减轻这一负担，我们在本文中提出了一个框架，以构建和学习一个数据依赖的内核的基础上，随机特征和隐式谱分布参数化的深度神经网络。构建的网络（称为KernelNet）可以应用于各种场景中的深度生成建模，包括深度生成模型中两种流行的学习范式，MMD-GAN和隐式变分自编码器（VAE）。我们表明，我们提出的内核确实存在于应用程序中，并保证是正定的。此外，诱导的最大平均离散（MMD）可以通过简单的正则化赋予弱拓扑的连续性。广泛的实验表明，与相关方法相比，我们提出的KernelNet始终获得更好的性能。
2020-06-25 cs.CV cs.LG stat.ML
A Logic-based Approach to Generatively Defined Discriminative Modeling
Tokyo Institute of Technology（东京工业大学）；Meijo University（名城大学）
条件随机场（CRF）通常是指定的图形模型，但在本文中，我们提出使用概率逻辑程序，并指定他们产生。我们的意图是，首先提供一个统一的方法，CRF复杂的建模，通过使用图灵完备语言和第二，提供一个方便的方式来实现生成判别对机器学习比较生成和判别模型，并选择最好的模型。我们实现了我们的方法作为D-PRISM语言修改PRISM，一个基于逻辑的概率建模语言生成建模，同时利用其动态规划机制，有效的概率计算。我们用逻辑回归、线性链CRF和CRF-CFG测试了D-PRISM，并在经验上证实了它们与生成对应物（即，朴素贝叶斯，HMM和PCFG。我们还介绍了新的CRF模型，CRF-BNC和CRF-LCG。它们分别是贝叶斯网络分类器和概率左角文法的CRF版本，并且易于在D-PRISM中实现。我们的经验表明，他们的表现优于他们的生成同行的预期。
2014-10-15 cs.LG
Latent Variable Modeling for Generative Concept Representations and Deep Generative Models
IBM（国际商业机器公司）
潜在表征是深层生成模型的本质，决定了它们的有用性和强大性。为了使潜在表示作为生成概念表示有用，它们的潜在空间必须支持潜在空间插值、属性向量和概念向量等。我们研究和讨论潜变量建模，包括潜变量模型，潜表示和潜空间，特别是层次潜表示和潜空间向量和几何。我们的重点是变分自编码器和生成对抗网络中使用的。
2018-12-26 cs.LG stat.ML
Task Confusion and Catastrophic Forgetting in Class-Incremental Learning: A Mathematical Framework for Discriminative and Generative Modelings
Toronto Metropolitan University（多伦多都会大学）
该研究构建类别增量学习数学框架，从理论上证明判别式建模因任务混淆无法达到最优，而生成式建模可克服该问题，并据此评估多种主流策略。
2024-10-28 cs.LG
Symmetry-Aware Generative Modeling through Learned Canonicalization
Mila（米拉）；McGill University（麦吉尔大学）
本文提出通过学习规范化网络生成对称密度，避免传统不变先验与等变生成过程的局限，提升分子建模的样本质量和推理速度。
2026-04-12 cs.LG
Conformal Generative Modeling on Triangulated Surfaces
California Institute of Technology（加州理工学院）
我们提出了共形生成建模，生成建模的框架近似离散三角形网格的2D表面。我们的方法利用离散共形几何的进步，开发一个简单的流形（如球体）的源三角形网格到目标三角形网格的映射。在考虑了网格离散化引起的误差之后，我们可以使用为简单流形开发的任何生成式建模方法作为即插即用的子例程。我们在多个复杂流形和多个生成式建模子程序上展示了我们的框架，我们表明我们的方法可以从样本中学习网格上分布的良好估计，并且还可以同时从同一底层流形的多个不同网格中学习。
2023-03-17 cs.CG cs.LG
Nonparametric Generative Modeling with Conditional Sliced-Wasserstein Flows
Sea AI Lab（Sea人工智能实验室）
本文提出条件切片- Wasserstein 流（CSWF）实现非参数条件生成，并引入图像归纳偏置，在条件和无条件任务上达到与深度参数模型相当的生成性能。
2023-07-25 cs.LG
Implicit Modeling -- A Generalization of Discriminative and Generative Approaches
Dresden University of Technology（德累斯顿工业大学）
我们提出了一种新的建模方法，是一个泛化的生成和歧视性模型。其核心思想是通过仅指定条件分布来使用联合概率分布的隐式参数化。所提出的方案结合了两个世界的优点-它可以使用强大的复杂的判别模型作为其部分，同时具有更好的泛化能力。我们彻底评估所提出的方法，一个简单的分类任务与人工数据，并说明其优势，为真实的场景上的语义图像分割问题。
2016-12-05 cs.LG
Compositional Generative Modeling: A Single Model is Not All You Need
MIT（麻省理工学院）
本文主张通过组合较小的生成模型来构建大型生成系统，该方法能提升数据效率、泛化至未见数据分布、为全新任务构建模型，并从数据中发现独立组合成分。
2024-06-03 cs.AI cs.CV cs.LG
Notes on generative modeling: flow matching, diffusion, optimal transport and Schr{ö}dinger bridge
Inria（法国国家信息与自动化研究所）
本文梳理生成建模中不同技术的高层数学原理，揭示最优传输与薛定谔桥、流匹配等标准方法之间的联系。
2026-06-29 cs.LG stat.ML
Modeling urbanization patterns with generative adversarial networks
Massachusetts Institute of Technology（麻省理工学院）；Lawrence Berkeley National Laboratory (LBNL)（劳伦斯伯克利国家实验室）；German Aerospace Center (DLR)（德国航空航天中心）；Philips Research U.S.A.（飞利浦美国研究院）；University of California, Berkeley（加州大学伯克利分校）
在这项研究中，我们提出了一种新的方法来模拟超现实的城市模式，使用生成对抗网络训练与全球城市土地利用清单。我们生成了一个合成的城市“宇宙”，它在质量上再现了在全球城市模式中观察到的复杂空间组织，同时能够定量地恢复某些关键的高层次城市空间指标。
2018-01-08 cs.LG
Drift Flow Matching
University of California, Irvine（加州大学伊万斯堡分校）；University of Virginia（弗吉尼亚大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Northeastern University（东北大学）
本文提出Drift Flow Matching框架，结合漂移生成模型与基于流的迭代生成方法，实现高效生成与多步细化，提升生成质量与效率适应性。
2026-05-17 cs.AI cs.LG
Interactive Optimization of Generative Image Modeling using Sequential Subspace Search and Content-based Guidance
The University of Tokyo（东京大学）；National Taiwan University（台湾大学）
生成式图像建模技术，如GAN，展示了高度令人信服的图像生成结果。然而，用户交互往往是必要的，以获得所需的结果。现有的尝试增加了交互性，但需要定制的架构或额外的数据。我们提出了一个人的优化方法，允许用户直接探索和搜索生成图像建模的潜在向量空间。我们的系统通过对潜在向量空间进行采样来提供多个候选项，并且用户使用多个滑块来选择子空间内的最佳混合权重。此外，用户可以通过图像编辑工具表达自己的意图。系统基于输入对潜在向量进行采样，并迭代地向用户呈现新的候选。我们的公式的一个优点是，人们可以将我们的方法应用于任意的预训练模型，而无需开发专门的架构或数据。我们用各种生成图像建模应用程序演示了我们的方法，并在与现有技术iGAN的比较用户研究中显示出优异的性能。
2020-08-29 cs.CV cs.GR cs.HC
Constrained Generative Modeling with Manually Bridged Diffusion Models
University of British Columbia（不列颠哥伦比亚大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所（Amii））；InvertedAI
本文提出手动桥接扩散模型框架，支持多重约束组合与数据分布适配，理论验证有效，并应用于自动驾驶轨迹初始化建模。
2025-02-27 cs.LG
On Training Sample Memorization: Lessons from Benchmarking Generative Modeling with a Large-scale Competition
National Taiwan University（台湾大学）；Google（谷歌）；Kaggle（卡格尔）
自然图像生成模型的许多最新发展都依赖于以数学为动机的度量，这些度量可以通过记忆真实分布中的小样本或直接训练模型来改进度量来轻松地进行游戏。在这项工作中，我们通过设计和部署生成建模竞赛来严格评估这些指标的可玩性。我们的比赛收到了超过11000提交的模型。参与者之间的竞争使我们能够调查生成建模中的有意和无意记忆。为了检测有意记忆，我们提出了“记忆告知Fréchet起始距离”（MiFID）作为一种新的记忆感知度量和设计基准程序，以确保获奖作品在感知质量方面取得了真正的改善。此外，我们手动检查1000个表现最好的模型的代码，以理解和标记不同形式的记忆。我们的分析表明，无意记忆是一个严重的和常见的问题，在流行的生成模型。这些模型的生成图像和我们的记忆标签以及计算MiFID的代码被发布，以促进未来对基准生成模型的研究。
2021-06-06 cs.LG
V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects
Carnegie Mellon University（卡内基梅隆大学）
操纵关节式物体通常需要多个机器人手臂。使多个机器人手臂能够协作地完成对铰接对象的操作任务是具有挑战性的。在本文中，我们提出了$\textbf{V-MAO}$，一个框架，用于学习多臂操作的铰接对象。我们的框架包括一个变分生成模型，学习接触点分布的对象刚性部件为每个机器人arm.The训练信号是从与仿真环境，这是通过规划和一个新的制定对象为中心的控制铰接对象的互动。我们部署我们的框架在一个定制的MuJoCo仿真环境中，并证明我们的框架实现了六个不同的对象和两个不同的机器人的高成功率。我们还表明，生成式建模可以有效地学习关节对象上的接触点分布。
2021-11-07 cs.AI cs.CV cs.LG
Compositional Generative Modeling from Decentralized Data
Department of Computer Science and Engineering, Michigan State University, East Lansing, MI, USA（计算机科学与工程系，密歇根州立大学，东兰辛，MI，美国）
提出去中心化组合流匹配（DCFM）框架，通过结构约束实现分散数据中生成因子的组合，无需交换原始数据，在条件图像生成、机器人空间规划和医学属性共现建模中显著优于基线。
2026-06-08 cs.LG
Distributionally Robust Optimization via Generative Ambiguity Modeling
Department of Computer Science University of Houston（计算机科学系 休斯顿大学）
本文提出了一种基于生成模型的分布鲁棒优化方法GAS-DRO，通过生成模糊集提升模型在对抗分布下的泛化能力。
2026-02-09 cs.LG
World Machine: Towards Generative World Modeling for Time-Series
Universidade Estadual de Campinas (UNICAMP)（坎皮纳斯州立大学）；Universidade Estadual Paulista (UNESP)（保罗斯州立大学）
提出基于Transformer的潜在状态架构World Machine，用于时间序列生成式世界建模，在合成数据集Toy1D上验证了其超越传统Transformer的能力。
2026-05-21 cs.LG
Generative Modeling of Discrete Latent Structures via Dynamic Policy Gradients
University of California, Berkeley（加州大学伯克利分校）
提出GReinSS框架，使用动态缩放奖励学习潜在状态分布以最大化观测数据似然，在模拟潜在集和图重建中优于基线，并在RNA测序数据中比RSEM更准确地重建异构体。
2026-06-05 cs.LG
Partition Generative Modeling: Masked Modeling Without Masks
EPFL（苏黎世联邦理工学院）
PGMs通过分区替代掩码，实现高效生成模型，提升吞吐量并降低生成困惑度，兼容现有MGM方法。
2026-02-17 cs.LG
Iterative Flow Matching: Path Correction and Gradual Refinement for Enhanced Generative Modeling
The University of British Columbia（不列颠哥伦比亚大学）；University of Cambridge（剑桥大学）
本研究针对图像生成模型易产生幻觉的问题，提出可集成于各类生成建模技术的迭代流匹配方法，通过路径校正与渐进式优化提升图像合成的性能与鲁棒性。
2026-08-20 cs.AI cs.CV cs.LG
