本研究提出了一种迭代摊销推理机制，解决多模态变分自编码器在缺失模态推断时的信息损失问题。通过迭代精炼单模态推理，整合多模态信息，提升推理性能和生成质量。实验结果显示，该方法显著提高了分类准确性和生成效果。

研究训练扩散模型从未归一化的密度分布中采样，评估变分方法和生成流网络的优劣。结果质疑现有算法，并提出通过局部搜索和重放缓冲区提高样本质量的新策略。研究公开代码，为未来扩散模型的推理奠定基础。

基于关注条件神经过程模型的新型学习主动学习方法，适应非标准目标，提高数据效率和稳定性。需要进一步改进分类器选择和减小与预测模型的性能差距。

本研究探索了基于在线学习的状态空间模型 (SSMs) 设计，将其视为特定在线学习问题的元模块，并通过优化这些目标来导出状态转换规则，提出了一种基于隐式更新的新型深度 SSM 架构。实验结果表明，该模型在标准序列建模基准和语言建模任务中优于最先进的 SSMs，包括 Mamba 模型。

该研究提出了一种新的高效方法，用于生成局部连续的 Pareto 集和 Pareto fronts，并将其应用于现代机器学习问题中。通过基于样本的稀疏线性系统，扩展了多目标优化的理论结果，并实现了局部 Pareto 集的分析。通过在多任务分类和回归问题上的应用，证明了该算法在平衡权衡、找到更多不同权衡解以及处理百万级参数任务方面的能力。

该文章介绍了一种通过数据驱动的工作流程来构建分布式动力系统的简化模型。该模型使用近似惯性流形（AIMs）理论作为模板，并应用机器学习工具来避免复杂的数学推导。文章还探讨了使用流形学习技术发现潜在变量集并进行可解释性测试的方法。该方法可以用不同的坐标表示模型。文章还介绍了黑盒模型和灰盒模型，并使用具体的反应扩散和耗散偏微分方程进行了测试。

本文研究了扩散生成模型的后验采样问题，提出了一种相对轨迹均衡的数据无关学习目标，并将其应用于视觉、语言和控制等领域，展示了其在生成建模和离线强化学习中的潜力。

本文介绍了VFBL框架及其三种新算法VF-B2-SGD、SVRG和SAGA，实验证明这些算法在强凸和非凸条件下具有收敛速率的理论结果，并证明了VF-B2的安全性。

通过ATT3D框架，可以更快地创建3D对象，实现跨提示的知识共享和插值平滑，适用于新资产和简单动画的3D建模。

该文介绍了一种新的摊销变分推断方案，用于处理实证贝叶斯元学习模型。该方案使用变分自编码器方法在有限的训练数据上学习模型参数的先验分布，并建议在模型参数的条件先验和变分后验分布之间共享相同的摊销推断网络。与早期的 Monte-Carlo 近似方法相比，该变分方法避免了条件先验的崩溃并保留了模型参数的不确定性。在miniImageNet、CIFAR-FS和FC100数据集上的评估结果表明，该方法具有更好的性能。

今天在和 @bobo 聊天的时候，讨论起了摊销这个话题，我觉得很有价值，因此记录下来。 事情的前提是出于控制开 […]