Submitted 12 September, 2024; v1 submitted 15 August, 2024; originally announced August 2024. , Comments: The code is available at https://github.com/masa-ue/SVDD
توضیحات به فارسی
ارسال شده 12 سپتامبر 2024 ؛V1 ارسال شده در 15 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: کد در https://github.com/masa-ue/svdd در دسترس است
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Diffusion models excel at capturing the natural design spaces of images, molecules, DNA, RNA, and protein sequences. However, rather than merely generating designs that are natural, we often aim to optimize downstream reward functions while preserving the naturalness of these design spaces. Existing methods for achieving this goal often require ``differentiable'' proxy models (\textit{e.g.}, classifier guidance or DPS) or involve computationally expensive fine-tuning of diffusion models (\textit{e.g.}, classifier-free guidance, RL-based fine-tuning). In our work, we propose a new method to address these challenges. Our algorithm is an iterative sampling method that integrates soft value functions, which looks ahead to how intermediate noisy states lead to high rewards in the future, into the standard inference procedure of pre-trained diffusion models. Notably, our approach avoids fine-tuning generative models and eliminates the need to construct differentiable models. This enables us to (1) directly utilize non-differentiable features/reward feedback, commonly used in many scientific domains, and (2) apply our method to recent discrete diffusion models in a principled way. Finally, we demonstrate the effectiveness of our algorithm across several domains, including image generation, molecule generation, and DNA/RNA sequence generation. The code is available at \href{https://github.com/masa-ue/SVDD}{https://github.com/masa-ue/SVDD}.
چکیده به فارسی (ترجمه ماشینی)
مدل های انتشار در ضبط فضاهای طراحی طبیعی تصاویر ، مولکول ها ، DNA ، RNA و توالی پروتئین برتری دارند.با این حال ، ما به جای ایجاد طرح های طبیعی ، اغلب هدف ما بهینه سازی عملکردهای پاداش پایین دست ضمن حفظ طبیعی بودن این فضاهای طراحی است.روشهای موجود برای دستیابی به این هدف اغلب به مدل های پروکسی "` `متفاوت" (\ textit {به عنوان مثال} ، راهنمایی طبقه بندی کننده یا DPS) نیاز دارند یا شامل تنظیم دقیق محاسباتی مدل های انتشار (\ textit {به عنوان مثال} ، راهنمایی بدون طبقه بندی ، RLتنظیم دقیق).در کار خود ، ما یک روش جدید برای رفع این چالش ها پیشنهاد می کنیم.الگوریتم ما یک روش نمونه برداری تکراری است که توابع ارزش نرم را ادغام می کند ، که به آینده می پردازد که چگونه حالات پر سر و صدا در آینده منجر به پاداش زیاد در آینده می شود ، به روش استنباط استاندارد مدل های انتشار از پیش آموزش داده می شود.نکته قابل توجه ، رویکرد ما از مدل های تولیدی دقیق جلوگیری می کند و نیاز به ساخت مدل های متفاوت را از بین می برد.این امر ما را قادر می سازد تا (1) به طور مستقیم از ویژگی های غیر متمایز/بازخورد پاداش ، که معمولاً در بسیاری از حوزه های علمی استفاده می شود ، استفاده کنیم و (2) روش خود را برای مدلهای انتشار گسسته اخیر به روشی اصولی اعمال کنیم.سرانجام ، ما اثربخشی الگوریتم خود را در چندین حوزه از جمله تولید تصویر ، تولید مولکول و تولید توالی DNA/RNA نشان می دهیم.کد در \ href {https://github.com/masa-ue/svdd} {https://github.com/masa-ue/svdd} موجود است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
