本研究探讨了多模态蛋白质语言模型在三维结构离散化中的信息损失问题，提出了改进的生成建模和结构感知架构，显著提升了结构生成的多样性和蛋白质折叠能力，推动了大规模模型的结构建模进展。

本研究提出了统一框架Aether，旨在解决几何重建与生成建模的挑战。Aether通过联合优化实现几何感知推理，能够在没有真实数据的情况下进行零样本泛化，其重建性能超越领域特定模型，展现出在物理建模中的潜力。

本研究提出了Sorcen框架，旨在解决表征学习与生成建模的统一问题。通过引入新型协同对比重建目标“回声对比”，消除了对额外图像裁剪的需求。实验结果表明，Sorcen在多个指标上超越了以往方法，效率提升达60.8%。

本研究提出了一种新框架——力匹配（ForM），通过引入洛伦兹因子和速度约束，增强了生成建模的稳定性和控制性。实验结果表明，该框架在多个数据集上表现优异，具有高维生成建模的应用潜力。

本文提出了一种新方法——静电场匹配（EFM），旨在解决生成建模和分布转移问题。该方法借鉴电容器原理，通过神经网络学习静电场，实现高效的分布映射。实验结果表明，该方法在玩具和图像数据上表现良好，具有潜在的影响力。

本研究提出了一种新方法，通过将生成建模任务转化为潜在空间中的分类任务，增强深度神经网络在对抗性扰动下的鲁棒性。实验结果显示，该模型在多个数据集上表现优异，尤其在大扰动情况下，验证准确度提高了5.3%。

本文提出了一种名为TarFlow的架构，旨在解决归一化流在生成建模中的不足。TarFlow在图像生成和密度估计任务中表现优异，其样本生成质量和多样性与扩散模型相当。

该研究全面回顾了流匹配框架及其数学基础，填补了学习资源的不足。文章整合了设计选择和扩展，并提供了PyTorch包，方便研究者应用。结果表明，流匹配在生成建模中具有强大潜力，适用于图像、视频和音频等领域。

本研究提出了一种在小波域进行多尺度生成建模的方法，有效解决了传统空间域生成模型中的分数病态问题，显著提升了性能，并减少了可训练参数和时间。

本研究探讨核方法与PDE梯度流的关系，解决生成建模和采样中的开放性问题，提供理论框架，并揭示其在机器学习中的应用潜力。

本研究提出了一种无需模拟的可扩展方法来解决熵不平衡最优传输问题，降低了传统模型的成本。通过斯特克过程推导出对偶形式和最优性条件，并验证了其在生成建模和图像转换中的效率和扩展性。

本研究提出局部流匹配方法，提高生成建模效率。通过学习流匹配子模型，LFM适应数据到噪声的扩散过程。结果显示，LFM在训练效率和生成性能上优于传统方法，特别是在无条件生成表格和图像数据集方面表现突出。

本研究提出了一种离散扩散薛定谔桥匹配（DDSBM）框架，用于解决生成建模中任意分布传输的问题。该框架通过连续时间马尔可夫链在高维离散状态空间中解决薛定谔桥问题，适用于图的变换，并在分子优化中有效，优化目标属性同时保留其他特征。

本研究介绍了Shapley可解释性的数学根据和模型独立的框架，提出了解决模型特征不相关问题的两种策略。研究发现，不切实际的假设会导致展示效果错误，隐藏敏感性属性的隐含模型依赖性和意义不明的高维数据。

3D生成在过去十年中迅速发展，得益于生成建模领域的进步。最近的研究表明，扩散过程与策略梯度方法兼容，并通过美学评分函数改进了2D扩散模型。研究者开发了一种新方法DDPO3D，将策略梯度方法扩展到基于得分的3D渲染，并改进了SDS-based方法。该方法与基于得分蒸馏的方法兼容，可以融入各种奖励函数。

本文总结了正则流动的研究现状，分析了其表达能力、计算权衡等基础原理，并总结了其在生成建模、近似推断和监督学习等任务中的应用。