AITOP

图生成

共 3 条相关 AI 资讯
7月28日
11:48
11:48官方账号arXiv cs.LG@Tianpeng Li, Xuan Guo, Wenjun Wang, Wang Zhang, Pengfei Jiao
论文将masked flow-matching loss分解为不可约熵加散度，散度对训练时稀疏部署时密集的结构为正，经验上服从指数-0.605的幂律（R²=0.9977）。漂移使采样误差floor提高2.2-34.3倍，但采样步数不敏感：7个条件下漂移时段边际误差变化≤6%。证明任何基于过去观测的校正器至少保留跟踪统计量的条件方差，趋势外推条件μ²>v(1-2ρ)不满足。Oracle可移除60%误差，最佳观测校正仅恢复其中5.7%，外推比什么都不做更差。
论文Temporal Graph GenerationDistribution DriftSharpening-Drift Tension
推荐理由：这篇论文严格证明了时序图生成中分布漂移无法通过观测数据来校正，理论扎实且有实验支撑，做生成模型部署的朋友值得一看。
原文
7月24日
12:07
12:07官方账号arXiv cs.LG@Sophia Tang, Pranam Chatterjee
现有流模型参数化受限于固定维度或序列长度。研究者提出Expanding Generative Flows (EFlows)，通过扩张插值器在维度增长分布间定义流。在此基础上提出Expanding Flow Maps (EFMs)，将任意时间步间映射分解为expand算子（增广状态空间）和transport map（推进状态），联合扩张与去噪。EFMs可恢复固定画布流模型作为特例，并扩展至离散单纯形实现变长图生成和变长序列生成。实验证明该框架使输出尺寸成为可学习的可控自由度。
AI模型Expanding Flow MapsEFlowsEFMs
推荐理由：想要生成可变长输出的流模型？这篇提出了EFlows和EFMs，把扩张和去噪打包成一个可学操作，还能处理图和序列，挺新鲜。
原文
6月4日
10:15
10:15官方账号arXiv cs.LG@Samuel Cognolato, Alessandro Sperduti, Luciano Serafini
FLAGG 提出了一种灵活的自回归图生成框架，通过将单次生成模型应用于图的部分顺序生成，解决了单次模型在大图上表现差、顺序模型在小图上效果不佳的难题。该框架通过随机节点移除过程定义生成策略，并由插入模型学习逆向操作，从而在多种图数据集上实现了优于纯单次和纯顺序模型的采样质量。FLAGG 可适配任意单次模型，使其具备自回归能力，为图生成任务提供了更通用的解决方案。
论文图生成自回归模型单次生成
推荐理由：做图生成研究的团队终于有了一个能兼顾大小图质量的统一框架——FLAGG 让单次模型也能自回归生成，实验效果全面超越基线，值得关注。
原文