machine-learning-models

2 items

RESEARCHarXiv CS.LG·4/21/2026

SetFlow: Generating Structured Sets of Representations for Multiple Instance Learning

Diese Arbeit stellt SetFlow vor, eine generative Architektur, die ganze Multiple-Instance-Learning (MIL)-Säcke direkt im Repräsentationsraum modelliert. Sie nutzt das Flow-Matching-Paradigma und ein Set-Transformer-inspiriertes Design, um Abhängigkeiten innerhalb von Säcken zu erfassen und kohärente, semantisch konsistente Repräsentationen zu generieren.

machine-learning-models Multiple Instance Learning representation learning Generative AI

RESEARCHarXiv CS.LG·4/24/2026

Frequency-Forcing: From Scaling-as-Time to Soft Frequency Guidance

Diese Forschung konzentriert sich auf die Verbesserung der Bildgenerierung in Flow-Matching-Modellen durch die Integration einer expliziten Generierungsreihenfolge, von groben zu feinen Details. Sie vergleicht K-Flow und Latent Forcing und schlägt einen neuen kompatiblen Weg für die skalenorientierte Generierung über einen Hilfsstrom vor.

neural networks image generation machine-learning-models Generative AI