AdvNF: Reducing Mode Collapse in Conditional Normalising Flows using Adversarial Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kanaujia, Vikas, Scheurer, Mathias S., Arora, Vipul
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Statistical Mechanics Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SCORENF: Score-based Normalizing Flows for Sampling Unnormalized distributions
von: Kanaujia, Vikas, et al.
Veröffentlicht: (2025)

Accurate generation of stochastic dynamics based on multi-model Generative Adversarial Networks
von: Lanzoni, Daniele, et al.
Veröffentlicht: (2023)

Boltzmann Generators for Condensed Matter via Riemannian Flow Matching
von: Hoffmann, Emil, et al.
Veröffentlicht: (2026)

Super-Resolving Normalising Flows for Lattice Field Theories
von: Bauer, Marc, et al.
Veröffentlicht: (2024)

Multi-Mode Quantum Annealing for Generative Representation Learning with Boltzmann Priors
von: Kim, Gilhan, et al.
Veröffentlicht: (2026)

Autonomous Discovery of the Ising Model's Critical Parameters with Reinforcement Learning
von: Man, Hai, et al.
Veröffentlicht: (2026)

Fast, Modular, and Differentiable Framework for Machine Learning-Enhanced Molecular Simulations
von: Christiansen, Henrik, et al.
Veröffentlicht: (2025)

Differentiable free energy surface: a variational approach to directly observing rare events using generative deep-learning models
von: Li, Shuo-Hui, et al.
Veröffentlicht: (2026)

Dissecting a Small Artificial Neural Network
von: Yang, Xiguang, et al.
Veröffentlicht: (2025)

Posterior Collapse as Automatic Spectral Pruning
von: Hirn, Johannes
Veröffentlicht: (2026)

Learning conformational ensembles of proteins based on backbone geometry
von: Wolf, Nicolas, et al.
Veröffentlicht: (2025)

Learning Kinetic Monte Carlo stochastic dynamics with Deep Generative Adversarial Networks
von: Lanzoni, Daniele, et al.
Veröffentlicht: (2025)

Riemannian Stochastic Interpolants for Amorphous Particle Systems
von: Grenioux, Louis, et al.
Veröffentlicht: (2025)

Controlling dynamics of stochastic systems with deep reinforcement learning
von: Mukhamadiarov, Ruslan
Veröffentlicht: (2025)

Estimating Solvation Free Energies with Boltzmann Generators
von: Schebek, Maximilian, et al.
Veröffentlicht: (2025)

Model selection for stochastic dynamics: a parsimonious and principled approach
von: Gerardos, Andonis
Veröffentlicht: (2025)

An exactly solvable dissipative spin liquid
von: Shackleton, Leyna, et al.
Veröffentlicht: (2023)

IsingFormer: Augmenting Parallel Tempering With Learned Proposals
von: Bunaiyan, Saleh, et al.
Veröffentlicht: (2025)

Learning and Generating Mixed States Prepared by Shallow Channel Circuits
von: Hu, Fangjun, et al.
Veröffentlicht: (2026)

Latent Thermodynamic Flows: Unified Representation Learning and Generative Modeling of Temperature-Dependent Behaviors from Limited Data
von: Qiu, Yunrui, et al.
Veröffentlicht: (2025)

Implicit Binarization via Complex Phase Dynamics in Combinatorial Optimization
von: Cohen, Khen, et al.
Veröffentlicht: (2026)

Conditioning on a Volatility Proxy Compresses the Apparent Timescale of Collective Market Correlation
von: Bi, Yuda, et al.
Veröffentlicht: (2026)

BoostMD: Accelerating molecular sampling by leveraging ML force field features from previous time-steps
von: Schaaf, Lars L., et al.
Veröffentlicht: (2024)

Quantum statistics from classical simulations via generative Gibbs sampling
von: Wang, Weizhou, et al.
Veröffentlicht: (2026)

Efficient Rare Event Sampling with Unsupervised Normalising Flows
von: Asghar, Solomon, et al.
Veröffentlicht: (2024)

Adversarial Robustness Guarantees for Quantum Classifiers
von: Dowling, Neil, et al.
Veröffentlicht: (2024)

Learning to reset in target search problems
von: Muñoz-Gil, Gorka, et al.
Veröffentlicht: (2025)

Improvement of Heatbath Algorithm in LFT using Generative models
von: Faraz, Ali, et al.
Veröffentlicht: (2023)

Generative Learning of Continuous Data by Tensor Networks
von: Meiburg, Alex, et al.
Veröffentlicht: (2023)

Discovering quantum phenomena with Interpretable Machine Learning
von: de Schoulepnikoff, Paulin, et al.
Veröffentlicht: (2026)

Filtering out mislabeled training instances using black-box optimization and quantum annealing
von: Otsuka, Makoto, et al.
Veröffentlicht: (2025)

Tensor-Networks-based Learning of Probabilistic Cellular Automata Dynamics
von: Casagrande, Heitor P., et al.
Veröffentlicht: (2024)

An exact multiple-time-step variational formulation for the committor and the transition rate
von: Lorpaiboon, Chatipat, et al.
Veröffentlicht: (2025)

Hierarchical geometric deep learning enables scalable analysis of molecular dynamics
von: Pengmei, Zihan, et al.
Veröffentlicht: (2025)

Learning quantum many-body data locally: A provably scalable framework
von: Chinzei, Koki, et al.
Veröffentlicht: (2025)

Learning Beyond Optimization: Stress-Gated Dynamical Regime Regulation in Autonomous Systems
von: Ran, Sheng
Veröffentlicht: (2026)

Input Space Mode Connectivity in Deep Neural Networks
von: Vrabel, Jakub, et al.
Veröffentlicht: (2024)

Flow-Based Sampling for Entanglement Entropy and the Machine Learning of Defects
von: Bulgarelli, Andrea, et al.
Veröffentlicht: (2024)

Intrinsic Dimensionality of Fermi-Pasta-Ulam-Tsingou High-Dimensional Trajectories Through Manifold Learning: A Linear Approach
von: Marchetti, Gionni
Veröffentlicht: (2024)

Statistical Mechanics of Dynamical System Identification
von: Klishin, Andrei A., et al.
Veröffentlicht: (2024)