生成モデル

Accedi

approfondimento - 生成モデル

区分的決定論的マルコフ過程（PDMP）に基づく新しい種類の生成モデルが提案され、その特性、学習手順、および従来の拡散ベースモデルと比較した潜在的な利点が示されています。

本稿では、ノイズレベル分類器を用いた新しい密度比推定（DRE）ベースの生成モデルである分類拡散モデル（CDM）を提案する。CDMは、従来のDRE手法が苦手としていた複雑な高次元データ、特に画像の生成において優れた性能を発揮する。

ジェネレーターマッチングは、任意のマルコフ過程を用いて生成モデリングを行うための新しい枠組みであり、拡散モデルやフローマッチングなど、さまざまな生成モデリング手法を統合し、ジャンプ過程のような新しいマルコフ過程の設計も可能にする。

本稿では、ハミルトニアン力学系を用いた新しいスコアマッチング手法と生成モデルを提案し、既存の拡散モデルとフローマッチングを統合するフレームワークを提示しています。

本稿では、高次元離散データの効率的な生成モデリングと周辺確率の高速な推定を可能にする新しい生成モデル、周辺化モデル（MAM）を提案する。

局所フローマッチング（LFM）は、ノイズからデータへの変換を小さなステップに分割し、各ステップで局所的なフローマッチングモデルを学習することで、従来のフローマッチング（FM）モデルよりも効率的に学習できる生成モデルである。

GM-GANは、形態的同変PDE層を使用して、クラシカルなCNNに非線形性を導入し、MNISTデータセットで優れた結果を達成します。

Chi Siamo

Prodotti

Risorse