根植于非平衡物理的快速且实用的结构化数据生成器

在本研究中，我们应对了利用基于能量的模型在复杂结构化数据集（如群体遗传学、RNA 或蛋白质序列数据）中生成高质量、特定标签数据的挑战。传统训练方法因马尔可夫链蒙特卡洛混合效率低下而遇到困难，这影响了合成数据的多样性并增加了生成时间。为解决这些问题，我们采用了一种利用非平衡效应的新颖训练算法。该方法应用于受限玻尔兹曼机，提升了模型正确分类样本并以仅少量采样步骤生成高质量合成数据的能力。该方法的效力通过其成功应用于四类不同数据得到证明：手写数字、按大陆起源分类的人类基因组突变、一个酶蛋白家族的功能表征序列，以及来自特定分类学的同源 RNA 序列。