#生成深度学习：教机器绘画
📖 本期导语：AI绘画、写作与谱曲不再是科幻，本书带你入门生成式深度学习，释放机器的创造力。
• 从变分自编码器到生成对抗网络，本书由浅入深讲解各种生成模型的原理与应用，助你快速上手Keras与TensorFlow。
• 想让AI拥有梵高般的绘画风格？CycleGAN教你实现图像风格迁移，让机器掌握绘画技巧。
• 本书不仅关注理论，更注重实践。你将学会搭建音乐生成模型MuseGAN，创作属于自己的AI音乐。
• 深度学习不仅能分类识别，还能生成前所未有的内容。书中用大量实例证明，AI的想象力远超我们想象。
📖 本期导语：AI绘画、写作与谱曲不再是科幻，本书带你入门生成式深度学习，释放机器的创造力。
• 从变分自编码器到生成对抗网络，本书由浅入深讲解各种生成模型的原理与应用，助你快速上手Keras与TensorFlow。
• 想让AI拥有梵高般的绘画风格？CycleGAN教你实现图像风格迁移，让机器掌握绘画技巧。
• 本书不仅关注理论，更注重实践。你将学会搭建音乐生成模型MuseGAN，创作属于自己的AI音乐。
• 深度学习不仅能分类识别，还能生成前所未有的内容。书中用大量实例证明，AI的想象力远超我们想象。
David_Foster_Generative_Deep_Learning_Teaching_Machines_to_Pain.pdf
8 MB
#生成深度学习：教机器绘画
📖 本期导语：AI绘画、写作与谱曲不再是科幻，本书带你入门生成式深度学习，释放机器的创造力。
• 从变分自编码器到生成对抗网络，本书由浅入深讲解各种生成模型的原理与应用，助你快速上手Keras与TensorFlow。
• 想让AI拥有梵高般的绘画风格？CycleGAN教你实现图像风格迁移，让机器掌握绘画技巧。
• 本书不仅关注理论，更注重实践。你将学会搭建音乐生成模型MuseGAN，创作属于自己的AI音乐。
• 深度学习不仅能分类识别，还能生成前所未有的内容。书中用大量实例证明，AI的想象力远超我们想象。
📖 本期导语：AI绘画、写作与谱曲不再是科幻，本书带你入门生成式深度学习，释放机器的创造力。
• 从变分自编码器到生成对抗网络，本书由浅入深讲解各种生成模型的原理与应用，助你快速上手Keras与TensorFlow。
• 想让AI拥有梵高般的绘画风格？CycleGAN教你实现图像风格迁移，让机器掌握绘画技巧。
• 本书不仅关注理论，更注重实践。你将学会搭建音乐生成模型MuseGAN，创作属于自己的AI音乐。
• 深度学习不仅能分类识别，还能生成前所未有的内容。书中用大量实例证明，AI的想象力远超我们想象。
#生物频谱
本期《生物频谱》聚焦印度医药产业的转型升级与创新发展，以及人工智能在医疗健康领域的应用。
- 印度CDMO产业正向创新驱动转型，面临复杂药物、监管和供应链挑战，企业正积极提升竞争力。
- 印度-欧盟自由贸易协定有望促进印度医药和医疗器械行业增长，降低关税并加强合作。
- Decode Age公司在应对新兴市场挑战时，注重科学严谨性与快速扩张并重。
- 印度在公共医疗体系中大规模推广人工智能，尤其在结核病筛查和诊断方面取得显著成效，并力争提前五年消除该疾病。
- 创新型AI诊断工具降低成本、提高效率，助力覆盖难以到达的地区。
本期《生物频谱》聚焦印度医药产业的转型升级与创新发展，以及人工智能在医疗健康领域的应用。
- 印度CDMO产业正向创新驱动转型，面临复杂药物、监管和供应链挑战，企业正积极提升竞争力。
- 印度-欧盟自由贸易协定有望促进印度医药和医疗器械行业增长，降低关税并加强合作。
- Decode Age公司在应对新兴市场挑战时，注重科学严谨性与快速扩张并重。
- 印度在公共医疗体系中大规模推广人工智能，尤其在结核病筛查和诊断方面取得显著成效，并力争提前五年消除该疾病。
- 创新型AI诊断工具降低成本、提高效率，助力覆盖难以到达的地区。
决策树与扩散模型的统一：树流互转新范式
Trees to Flows and Back: Unifying Decision Trees and Diffusion Models
Sai Niranjan Ramachandran, Suvrit Sra
⭐ 2
• 本研究通过名为“全局轨迹得分匹配”的共享优化原理，在数学上统一了决策树与扩散模型。
• 这一统一框架揭示了两种看似不同模型类型间的深层联系与等价性。
• 该方法不仅为构建高效生成模型提供了新途径，显著提升了生成任务的性能。
• 同时，它也为神经网络蒸馏技术开辟了新的研究方向，促进模型知识的高效迁移与压缩。
🔗 arXiv · 🤗 HF
#决策树 #扩散模型 #模型统一 #生成模型 #模型蒸馏
Trees to Flows and Back: Unifying Decision Trees and Diffusion Models
Sai Niranjan Ramachandran, Suvrit Sra
⭐ 2
• 本研究通过名为“全局轨迹得分匹配”的共享优化原理，在数学上统一了决策树与扩散模型。
• 这一统一框架揭示了两种看似不同模型类型间的深层联系与等价性。
• 该方法不仅为构建高效生成模型提供了新途径，显著提升了生成任务的性能。
• 同时，它也为神经网络蒸馏技术开辟了新的研究方向，促进模型知识的高效迁移与压缩。
🔗 arXiv · 🤗 HF
#决策树 #扩散模型 #模型统一 #生成模型 #模型蒸馏
Stable-GFlowNet：通过对比轨迹平衡实现大模型多样鲁棒红队攻防
Stable-GFlowNet: Toward Diverse and Robust LLM Red-Teaming via Contrastive Trajectory Balance
Minchan Kwon, Sunghyun Baek, Minseo Kim, Jaemyung Yu, Dongyoon Han, 等 (+1)
⭐ 6
• 针对大语言模型（LLM）红队攻防中生成流网络（GFN）存在的训练不稳定和模式崩溃问题，本文提出了Stable-GFlowNet模型。
• 该模型通过消除配分函数，有效解决了GFN训练过程中的不稳定性，提升了学习效率。
• 此外，Stable-GFlowNet引入了鲁棒掩码技术，以缓解模型在生成过程中的模式崩溃现象，增强了样本多样性。
• 整体旨在为LLM红队攻防提供一个更稳定、更具多样性和鲁棒性的攻击样本生成方法。
🔗 arXiv · 🤗 HF
#大语言模型 #红队攻防 #生成流网络 #对比学习 #鲁棒性
Stable-GFlowNet: Toward Diverse and Robust LLM Red-Teaming via Contrastive Trajectory Balance
Minchan Kwon, Sunghyun Baek, Minseo Kim, Jaemyung Yu, Dongyoon Han, 等 (+1)
⭐ 6
• 针对大语言模型（LLM）红队攻防中生成流网络（GFN）存在的训练不稳定和模式崩溃问题，本文提出了Stable-GFlowNet模型。
• 该模型通过消除配分函数，有效解决了GFN训练过程中的不稳定性，提升了学习效率。
• 此外，Stable-GFlowNet引入了鲁棒掩码技术，以缓解模型在生成过程中的模式崩溃现象，增强了样本多样性。
• 整体旨在为LLM红队攻防提供一个更稳定、更具多样性和鲁棒性的攻击样本生成方法。
🔗 arXiv · 🤗 HF
#大语言模型 #红队攻防 #生成流网络 #对比学习 #鲁棒性
ComboStoc：扩散生成模型中的组合随机性
ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models
Rui Xu, Jiepeng Wang, Hao Pan, Yang Liu, Xin Tong, 等 (+4)
⭐ 1
• 本文介绍ComboStoc，一种将随机过程与扩散模型相结合的新方法，旨在解决现有扩散模型在处理组合复杂性方面存在的局限。
• 这种创新的组合随机性框架，通过优化随机过程的利用，显著提升了扩散模型的训练效率，实现了更快的模型收敛。
• ComboStoc还能够支持跨多种数据模态的异步内容生成，为不同类型数据的并行或非顺序生成提供了可能，增加了模型的灵活性和应用范围。
🔗 arXiv · 🤗 HF
#扩散模型 #随机过程 #组合随机性 #生成模型 #异步生成
ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models
Rui Xu, Jiepeng Wang, Hao Pan, Yang Liu, Xin Tong, 等 (+4)
⭐ 1
• 本文介绍ComboStoc，一种将随机过程与扩散模型相结合的新方法，旨在解决现有扩散模型在处理组合复杂性方面存在的局限。
• 这种创新的组合随机性框架，通过优化随机过程的利用，显著提升了扩散模型的训练效率，实现了更快的模型收敛。
• ComboStoc还能够支持跨多种数据模态的异步内容生成，为不同类型数据的并行或非顺序生成提供了可能，增加了模型的灵活性和应用范围。
🔗 arXiv · 🤗 HF
#扩散模型 #随机过程 #组合随机性 #生成模型 #异步生成
轨道空间粒子流匹配的生成建模方法
Generative Modeling with Orbit-Space Particle Flow Matching
Sinan Wang, Jinjin He, Shenyifan Lu, Ruicheng Wang, Greg Turk, 等 (+1)
• Orbit-Space Geometric Probability Paths (OGPP) 提出了一种粒子原生的流匹配框架，旨在显著改善粒子系统的生成建模性能。
• 该框架的核心在于引入了轨道空间规范化技术，以及对粒子索引的嵌入表示，有效处理了粒子系统的复杂对称性问题。
• 此外，OGPP 利用几何概率路径的概念，并结合了考虑弧长的终端速度设计，从而精确引导生成过程，确保路径的几何合理性。
🔗 arXiv · 🤗 HF
#生成模型 #粒子流匹配 #粒子系统 #轨道空间 #几何概率路径
Generative Modeling with Orbit-Space Particle Flow Matching
Sinan Wang, Jinjin He, Shenyifan Lu, Ruicheng Wang, Greg Turk, 等 (+1)
• Orbit-Space Geometric Probability Paths (OGPP) 提出了一种粒子原生的流匹配框架，旨在显著改善粒子系统的生成建模性能。
• 该框架的核心在于引入了轨道空间规范化技术，以及对粒子索引的嵌入表示，有效处理了粒子系统的复杂对称性问题。
• 此外，OGPP 利用几何概率路径的概念，并结合了考虑弧长的终端速度设计，从而精确引导生成过程，确保路径的几何合理性。
🔗 arXiv · 🤗 HF
#生成模型 #粒子流匹配 #粒子系统 #轨道空间 #几何概率路径