Ce livre vise à démystifier les grands réseaux profonds et les modèles génératifs, souvent perçus comme des "boîtes noires", en explorant leurs mécanismes internes à travers la perspective de l'apprentissage de représentations. Il décrit les principes de conception des architectures de réseaux neuronaux modernes, en utilisant l'optimisation et la théorie de l'information.
Ce contenu fait référence à un article de recherche intitulé "Follow the Mean: Reference-Guided Flow Matching". Il explore une nouvelle méthodologie dans les modèles génératifs.
![Follow the Mean: Reference-Guided Flow Matching [R]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/5pleq5b4861h1.png?width=140&height=91&auto=webp&s=5f80ce290c30e51700f9b9fd0f907ee56e9382b2)
MOLPAQ est un nouveau générateur modulaire quantique-classique qui crée des molécules interprétables à partir de patchs latents générés quantiquement, atteignant 100% de validité RDKit et une grande nouveauté et diversité. Cette approche améliore significativement le contrôle des propriétés telles que le QED et l'incidence des motifs aromatiques par rapport aux générateurs classiques.
Cette recherche introduit les Conditional Attribute Transformers, une nouvelle méthode pour estimer conjointement la probabilité du prochain token et la valeur d'un attribut conditionnellement à chaque sélection potentielle du prochain token. Ce cadre permet des capacités critiques telles que l'attribution de crédit par token et l'analyse contrefactuelle en un seul passage, surmontant les limites des modèles génératifs traditionnels.
L'article propose le Dual-Spectral Flow Matching (DSFM), un nouveau cadre génératif d'IRMf qui cascade la représentation en double fréquence des signaux BOLD avec l'appariement de flux spectral. Cette méthode vise à synthétiser des séries temporelles d'IRMf de haute fidélité pour l'identification des troubles cérébraux, en surmontant les défis de la réplication des dynamiques spatiotemporelles complexes.
Cette recherche se concentre sur le développement de méthodes plus efficaces pour l'échantillonnage à partir de modèles probabilistes de diffusion, visant à réduire le coût computationnel et le temps associés à la génération d'échantillons de haute qualité. Elle explore de nouveaux algorithmes pour accélérer le processus d'échantillonnage tout en maintenant la fidélité des données générées.
Este artigo descreve um modelo generativo autorregressivo, treinado com dados de mais de 300.000 pacientes, capaz de simular trajetórias contrafactuais clinicamente plausíveis. O modelo foi aplicado a pacientes com COVID-19 para prever resultados com base em parâmetros clínicos alterados, demonstrando seu potencial para medicina personalizada e ensaios in silico.
UI-Oceanus é uma estrutura que escala agentes GUI generalistas, focando em dominar a física da interação através de feedback ambiental em vez de imitar trajetórias. O sistema utiliza exploração autônoma e predição de dinâmicas futuras para construir um modelo de mundo interno robusto, superando limitações de dados e supervisão.