本研究提出了一种基于归一化流的贝叶斯优化方法（NF-BO），有效解决了现有方法中的价值差异问题。实验结果表明，该方法在分子生成任务中显著优于传统及近期的贝叶斯优化方法。

本研究提出了一种图变换器框架，用于从稀疏表面测量重建空气动力学流场。该框架结合了消息传递神经网络的几何表达能力与变换器的全局推理能力，展现出优异的重建精度和推理速度，并对传感器覆盖率降低具有鲁棒性，显示出广泛的应用潜力。

本研究提出了一种改进的耦合归一化流模型，旨在提升自然图像生成的视觉质量。尽管整体质量仍有待提高，但在数量和质量性能上已达到先进水平，展现了其在复杂生成模型中的潜力。

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。

本研究提出了一种新的神经离散元法（NeuralDEM），利用深度学习替代传统离散元法（DEM），显著提升了工业颗粒流和流化床反应器的仿真速度与准确性。

本研究提出了一种新方法，通过在线学习“Flows”来微调大型语言模型（LLMs），显著提升数学推理任务的性能，采用在线直接偏好优化（DPO）学习。

In our third and final blog post leading up to Data Privacy Day, we drill down into the challenges for cross-border data flows, in particular personal data transfers from the EU to the US.

JAX is a great linear algebra + automatic differentiation library for fast experimentation with and teaching machine learning. Here is a lightweight example, in just 75 lines of JAX, of how to...