报告人简介
杨彦丰2024年硕士毕业于华东师范大学统计学院统计专业，并开始就读于综合研究大学院大学统计专业，师从谌自奇以及Kenji Fukumizu。主要研究方向为条件生成模型、因果推断、时间序列建模等。在Neurips, AAAI, ICLR发表论文数篇。
内容简介
构建用于训练高性能生成模型的大规模数据集通常成本高昂，尤其是在需要提供相关属性或标注信息时更是如此。因此，整合已有数据集已成为一种常见策略。然而，不同数据集所包含的属性集合往往并不一致，直接将它们简单拼接通常会导致条件变量呈现块状缺失。这给条件生成建模带来了显著挑战，尤其是当多个属性需要共同作为条件使用时，会限制模型的可控性和适用范围。 为解决这一问题，我们提出了一种新的生成方法，即双重引导扩散模型（Diffusion Model with Double Guidance）。该方法即使在训练样本中从未同时包含所有条件的情况下，也能够实现精确的条件生成。我们的方法无需联合标注数据，仍能对多个条件保持严格控制。我们在分子生成和图像生成任务中验证了该方法的有效性。实验结果表明，在缺失条件设置下，该方法在目标条件分布的一致性和生成可控性方面均优于现有基线方法。
