AKOOL 研究
欢迎来到我们的研究中心，我们在那里展示GenAI的开创性工作。
精选出版物
通过合作扩散恢复可能性学习基于能量的模型
这项研究提出了一种使用合作扩散回收可能性来学习基于能量的模型的创新方法。我们的方法利用合作学习和传播过程的优势来提高基于能量的模型的训练效率和有效性。
Authors:
朱亚轩、谢建文、吴英年、高瑞奇
Conference:
2024年第十二届国际学习表现会议（ICLR）
Journal:
Archive:
以能量为基础的生成显著性优先级
在本文中，我们介绍了一种用于生成显著性模型的新型基于能量的先验算法。我们的方法通过集成基于能量的技术来增强显著性检测的可解释性和性能，从而在各种应用中获得更准确、更可靠的结果。
Authors:
张静、谢建文、尼克·巴恩斯、李平
Conference:
Journal:
IEEE 模式分析和机器智能交易 (TPAMI)，2023
Archive:
基于潜在空间能量的神经 ODE
这项研究引入了一种使用基于潜空间能量的神经常微分方程（ODE）对连续时间序列数据进行建模的新框架。我们的方法增强了序列数据的建模，为机器学习任务提供了新的见解。
Authors:
程胜、孔德千、谢建文、李国进、吴英年、杨业洲
Conference:
Journal:
2025 年机器学习研究交易 (TMLR)
Archive:
利用潜在提示变压器进行分子设计
我们提出了潜在提示变压器（LPT），这是一种针对分子设计挑战性问题的新型生成模型。实验表明，LPT不仅能在单目标、多目标和结构受限的优化任务中有效地发现有用的分子，而且还表现出很高的样本效率。
Authors:
孔德千、黄宇豪、谢建文、爱德华多·霍尼格、徐明、薛双红、林培、周三平、钟胜、郑南宁、吴英年
Conference:
第 38 届神经信息处理系统会议 (NeuriPs 2024)
Journal:
Archive:
基于潜能的奥德赛：通过在基于能量的潜伏空间中扩展探索进行黑盒优化
本文介绍了一种名为 “基于潜能的奥德赛” 的新型黑盒优化方法。该方法侧重于在基于能量的潜在空间内扩大探索，从而增强优化过程。通过利用潜在空间的能量格局，该方法提高了优化任务的效率和有效性，使其成为机器学习和优化领域的重大进步。
Authors:
余培玉、张定怀、何恒志、马晓健、苗瑞瑶、陆一凡、张雅思、孔德千、高瑞奇、谢建文、程光、吴英年
Conference:
Journal:
Archive:
CooPhash：通过用于监督图像哈希的变量 MCMC 教学进行多用途描述符和对比对生成器的合作学习
CooPhash 引入了一种通过合作学习进行监督图像哈希的新方法。通过利用变分马尔可夫链蒙特卡洛（MCMC）教学，它同时优化了多用途描述符和对比对生成器。这种创新的方法提高了图像哈希的效率和准确性，使其成为该领域的重大进步。
Authors:
Khoa Doan、谢建文、朱亚轩、赵洋、李平
Conference:
Journal:
Archive:
用于轨迹抽象的潜在计划转换器：规划即潜在空间推断
在本文中，我们介绍了潜在计划转换器，这是一种将计划视为潜在变量推断的新框架。我们的方法结合了变压器和潜在变量模型的优势，可在复杂环境中实现稳健而高效的规划。
Authors:
孔德千、徐德宏、赵明露、庞博、谢建文、安德鲁·利扎拉加、黄宇豪、谢思睿、吴英年
Conference:
第 38 届神经信息处理系统会议 (NeuriPs 2024)
Journal:
Archive:
Progressive Energy-Based Cooperative Learning for Multi-Domain Image-to-Image Translation
We propose a progressive energy-based cooperative learning framework for multi-domain image-to-image translation. This method addresses the challenges of domain adaptation and translation by progressively refining the learning process, resulting in superior performance across multiple domains.
Authors:
Weinan Song, Yaxuan Zhu, Lei He, Ying Nian Wu, Jianwen Xie
Conference:
Journal:
Archive:
ArXiv, 2024
关于我们
我们的团队由来自知名机构的知名研究人员组成，他们共同努力推动人工智能领域的发展。我们专注于开发创新的解决方案，以解决现实世界中的问题，为更广泛的科学界做出贡献。
保持联系
联系我们：如有任何疑问、合作或有关我们研究的更多信息，请通过以下方式联系我们 info@akool.com。