NeurIPS 新方法 ADA：用对抗对齐弥合仿真与真实实验鸿沟
anshulkundaje · x · 2026-11-06
UC Berkeley 团队（含 Sergey Levine、Aditi Krishnapriyan）在 NeurIPS 提出 Adversarial Distribution Alignment（ADA），解决仿真-实验鸿沟：仿真便宜但有模型误差，实验给真实数据但昂贵且含噪。
- 核心思路：把基于仿真（如经典力场分子动力学）训练的生成模型，仅用部分、含噪的真实观测（如冷冻电镜图像）对齐到完整真实分布
- 超越只匹配观测期望：能匹配完整分布，且适用于多个相关的高维观测，无需显式知道联合结构
- 实验演示：仅凭嘈杂的 cryo-EM 二维投影图像，将过采样折叠态的 MD 基础模型分布修正到 PDB 报告的实验折叠态
论文、代码与网站已公开。
「研究」频道最新
- MetricTrail:无需长序列训练即可做长视频人体姿态估计 — AntonObukhov1 · 2026-11-06
- 牛津统计系教授、因果推断学者 Robin Evans 英年早逝 — murat_kocaoglu_ · 2026-11-06
- Jev 公开 72 万条决策数据,可自训轻量级路由/决策模型 — MaziyarPanahi · 2026-11-06
- 新基准 RespSurvBench：21 个模型最高通过率仅 25.5% — kenbwork · 2026-11-06
- ARC-AGI-3 启示：智能体拼的是样本效率，不是暴力 rollout — Ryan__Rhys · 2026-11-06
- ARC-AGI-3 游戏开放试玩，你可以亲手测测自己的通用智能 — Ryan__Rhys · 2026-11-06