GeneCIS: A Benchmark for General Conditional Image Similarity
Meta AI；University of Oxford（牛津大学）
针对现有图像相似性模型仅适配单一相似性定义的问题，提出零样本评估的GeneCIS基准，并设计基于图像字幕数据挖掘的可扩展方法，在多项基准上实现性能提升。
2023-06-13 cs.AI cs.CV cs.LG
Mitigating harm in language models with conditional-likelihood filtration
Cohere
在来自开放网络的大规模未经过滤的数据集上训练的语言模型从其训练数据中获得系统性偏见，偏见和有害观点。我们提出了一种以编程方式从网络规模数据集中识别和删除有害文本的方法。使用预训练的语言模型来计算以特定文档为条件的研究者编写的触发短语的对数似然，该对数似然用于从数据集中识别和过滤文档。我们证明，在这个过滤数据集上训练的模型生成有害文本的倾向较低，与未过滤的基线相比，标准语言建模基准的性能略有下降。我们提供了一个部分的解释，这种性能差距的表面仇恨言论和其他不良内容的标准语言建模基准的例子。最后，我们讨论了这种方法的推广，以及如何触发短语，反映特定的值可以被研究人员用来建立语言模型，更紧密地对齐他们的价值观。
2021-11-28 cs.CL cs.LG
Generative Conditional Missing Imputation Networks
本文提出生成性条件缺失填补网络，通过链式方程方法提升缺失值填补的稳健性和准确性，并通过实验证明其在统计数据分析中的有效性。
2026-01-02 cs.LG stat.ML
Deep Generative Multi-Agent Imitation Model as a Computational Benchmark for Evaluating Human Performance in Complex Interactive Tasks: A Case Study in Football
评估人类的表现是许多应用中的共同需求，例如在工程和运动中。在评估人类在完成复杂和交互式任务时的表现时，最常见的方法是使用已被证明对该环境有效的度量标准，或者使用主观测量技术。然而，这可能是一个容易出错和不可靠的过程，因为静态度量无法捕捉与这些任务相关的所有复杂上下文，并且主观测量中存在偏差。我们研究的目标是创建数据驱动的AI代理作为计算基准，以评估人类在解决涉及多个人类和上下文因素的困难任务时的表现。我们在足球表现分析的背景下证明了这一点。我们训练一个生成模型的基础上的条件变分递归神经网络（VRNN）模型的大型球员和球跟踪数据集。训练后的模型用于模拟两个团队之间的交互，并预测每个团队的表现。然后将训练好的条件VRNN模型作为评估团队绩效的基准。在英超足球数据集上的实验结果表明，我们的方法对足球分析中使用的现有最先进的静态度量是有用的。
2023-03-23 cs.LG cs.MA stat.ML
Conditional Coverage Diagnostics for Conformal Prediction
Sierra team, Inria Paris, France（Inria巴黎研究院法国团队）；Ecole Normale Supérieure, PSL Research University, Paris（巴黎高等师范学院PSL研究大学）；Soda team, Inria Paris-Saclay, France（Inria巴黎-萨克雷分校法国团队）；Departments of EECS（电子工程与计算机科学系）
提出将条件覆盖估计转化为分类问题，通过超额风险度量(ERT)来诊断共形预测的条件覆盖偏差，实验表明使用现代分类器比传统指标具有更高的统计功效。
2026-05-29 cs.AI 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
Strong Linear Baselines Strike Back: Closed-Form Linear Models as Gaussian Process Conditional Density Estimators for TSAD
Applied AI Institute（应用人工智能研究所）
本文提出利用闭式线性模型作为高斯过程条件密度估计器，证明其在时间序列异常检测中优于深度学习方法，且计算效率高。
2026-01-31 cs.LG
Modeling Stochastic Conditional Dynamics from Sparse Observations via Kernel-Stabilized Flow Matching
Georgia Institute of Technology（佐治亚理工学院）；Sandia National Laboratories（桑地亚国家实验室）
提出条件变量流匹配（CVFM）框架，通过联合采样状态和条件变量流，利用条件不匹配核和Wasserstein距离重加权目标，从稀疏非配对数据中学习条件分布的时间演化，在材料结构建模中表现更优。
2026-06-06 cs.LG
Variational Quantum Conditional Boltzmann Machines for Time-Series Forecasting: Architectures, Symmetric Hyperparameter Evaluation, and a Nonlinear Benchmark
Centre of Finance DHBW Stuttgart（德国双应用科技大学斯图加特分校金融中心）；Zentrum für Digitale Innovationen DHBW Ravensburg（德国双应用科技大学拉芬斯堡分校数字创新中心）；DATEV eG（DATEV 合作社）
研究开发并评估四种用于时间序列预测的架构，通过对称超参数优化在两个数据集测试，发现当前样本量下无量子优势证据，经典CRBM表现良好，混合QCRBM与最强经典CRBM无显著差异，还通过分析得出相关结论。
2026-07-28 cs.LG q-fin.ST quant-ph
Demystify Protein Generation with Hierarchical Conditional Diffusion Models
University of Tulsa（塔尔萨大学）；Johns Hopkins University（约翰霍普金斯大学）；Indiana University Bloomington（印第安纳大学布卢明顿分校）；Auburn University（阿伯茨维尔大学）
本文提出了一种分层条件扩散模型，整合序列和结构信息，以高效生成功能导向的蛋白质，并引入新的评估指标评估生成质量。
2025-12-03 cs.LG
Physics-Aware Conditional SetGAN for Spatially Consistent Multi-User TR 38.901 Channel Generation
Institute of Telecommunications and Multimedia Applications (iTEAM), Universitat Polit\`ecnica de Val\`encia (UPV), Spain（电信与多媒体应用研究所）；Beihang Valencia Polytechnic Institute (BVPI), China（北京航空航天大学瓦大理工大学）；Huawei Technologies, France（华为技术）
研究能否用训练好的生成模型更快生成多用户TR 38.901信道且保持空间相关性，提出物理感知条件SetGAN，经训练可分离大尺度与小尺度衰落相关信息，在UMa/NLoS基准测试中大幅加速信道生成且保持空间一致性。
2026-07-14 cs.LG
Adaptive Conditional Residual Sampling for Spectral Risk Optimisation under Decision-Dependent Uncertainty
Institute for Global Prosperity, The Bartlett, University College London（全球繁荣研究所，巴特利特学院，伦敦大学学院）
提出ACFS框架，结合广义随机森林、CEM全局搜索和重加权聚焦增强，解决决策依赖分布下的谱风险最小化问题，在重尾和偏态基准上优于现有方法。
2026-10-19 cs.LG math.OC stat.CO
Hierarchically branched diffusion models leverage dataset structure for class-conditional generation
Genentech（基因泰克公司）
针对现有类别条件扩散模型忽略数据集内部结构的问题，提出分层分支扩散模型框架，按层级分支单独学习反向扩散，在新类别扩展、类比生成、可解释性上有优势，且经多模态数据集验证有效。
2024-02-01 cs.AI cs.LG
Post-Hoc Robustness Enhancement in Graph Neural Networks with Conditional Random Fields
École Polytechnique（巴黎综合理工学院）；IP Paris（巴黎理工学院）；KTH（瑞典皇家理工学院）；Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央理工-高等电力学院）；Inria（法国国家信息与自动化研究所）
针对GNN推理阶段鲁棒性不足的问题，提出模型无关的事后方法RobustCRF，基于条件随机场增强鲁棒性，并在基准数据集上验证有效性。
2024-11-08 cs.LG cs.SI stat.AP
Learning Transition Kernels of Jump-Diffusion Processes with Conditional Diffusion Models
CNRS（法国国家科学研究中心）；Universite Paris-Dauphine（巴黎第九大学）；PSL（巴黎文理研究大学）
本文利用条件扩散模型学习跳跃扩散过程的转移核，从高频离散观测轨迹生成新样本路径，并给出理论误差界与数值验证。
2026-10-08 cs.LG stat.ML
Conditional Inference Trees and Forests for Feature Selection
Amazon Web Services（亚马逊云服务）
研究条件推理树和森林作为top-k特征排序方法，通过实验验证其性能，发现Bonferroni校正和自适应停止对运行时间影响显著，而森林特征采样可能遗漏重要特征。
2026-07-03 cs.LG stat.ML
cFineGAN: Unsupervised multi-conditional fine-grained image generation
Adobe Inc（奥多比公司）；Stanford University（斯坦福大学）
我们提出了一个无监督的多条件图像生成管道：cFineGAN，它可以根据两个输入图像生成一个图像，这样生成的图像保留了一个输入图像的纹理和另一个输入图像的形状。为了实现这一目标，我们扩展了FineGAN \citep{singh2018finegan}最近提出的工作，并使用标准和形状偏向的预训练ImageNet模型。我们定性和定量地证明了使用形状偏置网络的好处。我们在三个基准数据集上展示了我们的图像生成结果- CUB-200-2011，Stanford Dogs和UT Zappos 50 k。
2019-12-06 cs.CV cs.LG eess.IV
Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN)
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼量化金融研究所）
生成对抗网络（GANs）近年来受到了极大的关注，特别是在计算机视觉中的应用令人印象深刻。然而，与这些例子相比，GANs在时间序列建模（包括预测）方面的应用更为有限。在这项工作中，我们提出了混合密度条件生成对抗模型（MD-CGAN），重点是时间序列预测。我们表明，我们的模型是能够估计的概率后验分布的预测，并在一组基准方法相比，MD-CGAN模型表现良好，特别是在噪声是一个重要组成部分的情况下观察到的时间序列。此外，通过使用高斯混合模型作为输出分布，MD-CGAN提供了非高斯的后验预测。
2020-12-04 cs.LG stat.ML
Transformers as Neural Augmentors: Class Conditional Sentence Generation via Variational Bayes
Yildiz Technical University（耶尔德兹理工大学）
自然语言处理任务的数据增强方法是近年来研究的热点，但其局限性较大，难以捕捉句子层次上的多样性。此外，并不总是能够对监督任务执行数据增强。为了解决这些问题，我们提出了一种神经数据增强方法，这是一个组合的条件变分自编码器和编码器-解码器Transformer模型。在对输入语句进行编码和解码的同时，我们的模型捕捉了输入语言的句法和语义表示及其类条件。根据过去几年在预训练语言模型上的发展，我们在几个基准上对我们的模型进行训练和评估，以加强下游任务。我们将我们的方法与3种不同的增强技术进行比较。所提出的结果表明，我们的模型增加了当前模型的性能相比，其他数据增强技术与少量的计算能力。
2022-05-19 cs.CL cs.LG
Exploring Conditional Text Generation for Aspect-Based Sentiment Analysis
University of Houston（休斯顿大学）；Adobe Research（奥多比研究院）
基于情感的情感分析（ABSA）是一项NLP任务，需要处理用户生成的评论以确定（i）正在评估的目标，（ii）它所属的方面类别，以及（iii）对目标和方面对表达的情感。在本文中，我们建议将ABSA转换为一个抽象的摘要式条件文本生成任务，该任务使用目标、方面和极性来生成辅助语句。为了证明我们的任务制定和拟议系统的有效性，我们对条件文本生成任务的预训练模型进行了微调，以在一些餐馆领域和城市社区领域基准数据集上获得新的最先进的结果。
2021-10-07 cs.AI cs.CL cs.LG
Multi-modal Conditional Attention Fusion for Dimensional Emotion Prediction
Renmin University of China（中国人民大学）
连续维度情感预测是一项具有挑战性的任务，其中各种模态的融合通常实现最先进的性能，例如早期融合或晚期融合。本文提出了一种新的多模态融合策略--条件注意力融合，它可以在每个时间步动态地关注不同的模态。采用长短期记忆递归神经网络（LSTM-RNN）作为基本的单模态模型来捕获长时间依赖。分配给不同模态的权重由当前输入特征和最近的历史信息自动决定，而不是在任何情况下固定。我们在基准数据集AVEC 2015上的实验结果表明，我们的方法的有效性，优于几种常见的融合策略的价预测。
2017-09-04 cs.CV cs.LG cs.MM
Conditionally Identifiable Latent Representation for Multivariate Time Series with Structural Dynamics
本文提出iVDFM模型，通过在创新过程上应用iVAE式条件，保证多变量时间序列潜在因子的可识别性，展示了在合成数据和现实基准中的改进性能。
2026-10-20 cs.LG q-fin.GN q-fin.ST
Full-Glow: Fully conditional Glow for more realistic image generation
KTH Royal Institute of Technology（瑞典皇家理工学院）；Silo AI（赛罗人工智能公司）
自主智能体，如无人驾驶汽车，需要大量的标记视觉数据进行训练。获取此类数据的可行方法是使用收集的真实数据训练生成模型，然后使用来自模型的合成图像增强收集的真实数据集，这些合成图像是通过控制场景布局和地面实况标记生成的。在本文中，我们提出了全辉光，一个完全有条件的辉光为基础的架构，用于生成合理的和现实的图像的小说街道场景给定的语义分割地图，表明场景布局。基准比较显示，我们的模型在预训练的PSPNet的语义分割性能方面优于最近的作品。这表明，从我们的模型的图像，在更高的程度上比其他模型，类似于真实图像的相同种类的场景和对象，使它们适合作为训练数据的视觉语义分割或对象识别系统。
2021-10-07 cs.CV cs.LG
AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting
Auburn University（奥本大学）
针对现有时间序列预测适配方法无法适配输入时间序列动态的局限，提出AdaCast框架，通过生成器生成特定输入的低秩参数更新，在6个基准测试中优于静态基线并提升零样本泛化能力。
2026-10-09 cs.AI cs.LG
FlowSeq: Non-Autoregressive Conditional Sequence Generation with Generative Flow
Carnegie Mellon University（卡内基梅隆大学）；Facebook AI（Facebook人工智能）
大多数序列到序列（seq 2seq）模型是自回归的;它们通过对先前生成的令牌进行调节来生成每个令牌。相比之下，非自回归seq 2seq模型在一次通过中生成所有令牌，这导致通过诸如GPU的硬件上的并行处理来提高效率。然而，同时直接建模所有令牌的联合分布是具有挑战性的，即使模型结构越来越复杂，准确性也明显落后于自回归模型。在本文中，我们提出了一个简单的，高效的，有效的非自回归序列生成模型，使用潜变量模型。具体来说，我们转向生成流，一个优雅的技术来模拟复杂的分布使用神经网络，并设计了几个层次的流定制建模的条件密度的顺序潜变量。我们在三个神经机器翻译（NMT）基准数据集上评估了该模型，实现了与最先进的非自回归NMT模型相当的性能，并且序列长度的解码时间几乎恒定。
2019-10-09 cs.CL cs.LG
Double cycle-consistent generative adversarial network for unsupervised conditional generation
Clemson University（克莱姆森大学）
条件生成模型在过去几年中取得了相当大的成功，但通常需要大量的标记数据。最近，聚类器GAN将GAN与编码器相结合，通过无监督条件生成来实现显著的聚类性能。然而，它忽略了数据的真实条件分布，这导致为每个类生成较少多样性的样本，并使编码器只能实现次优聚类性能。在这里，我们提出了一个新的无监督条件生成框架，双循环一致的条件GAN（DC 3-GAN），它可以生成不同的类条件样本。除了生成器-编码器对之外，我们还强制GAN的编码器和生成器形成编码器-生成器对，这使我们能够避免低多样性生成和潜在特征的琐碎性。我们使用真实数据训练编码器-生成器对，它可以间接估计真实的条件分布。同时，该框架强制编码器的输出与GAN的输入和先验噪声分布相匹配，从而将潜在空间分解为两部分：独热离散和连续潜在变量。前者可以直接表示为簇，后者表示剩余的未指定因子。这项工作表明，增强无监督条件生成样本的多样性可以提高聚类性能。在不同基准数据集上的实验结果表明，该方法优于现有的基于生成模型的聚类方法，同时也达到了最优的解纠缠性能.
2021-04-05 cs.CV cs.LG stat.ML
Analytical Extraction of Conditional Sobol' Indices via Basis Decomposition of Polynomial Chaos Expansions
本文提出通过多项式混沌展开的基函数分解，解析计算条件Sobol指数，避免重复建模，提升计算效率与物理一致性。
2026-04-21 cs.LG cs.NA math.NA
When Does Belief-Based Agent Memory Help? Reliability-Conditional Updating and Provenance-Capped Poisoning Defense
Indian Institute of Technology Ropar（印度理工学院罗巴尔分校）
提出Nous记忆架构，基于知识即预测而非存储的原则，通过贝叶斯更新维护概率分布，以信息论惊喜度评分并记录信念变化，在LoCoMo基准上取得优于对比方法的F1分数。
2026-07-17 cs.AI cs.CL cs.IR
Practical and Asymptotically Exact Conditional Sampling in Diffusion Models
Columbia University（哥伦比亚大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出扭曲扩散采样器（TDS），一种基于序贯蒙特卡洛的扩散模型条件采样方法，无需任务特定训练即可实现渐近精确采样，并在条件图像生成和蛋白质基序支架任务中优于现有启发式方法。
2024-11-23 cs.LG q-bio.BM stat.ML
