DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models
School of Computer and Information Technology, Beijing Jiaotong University(北京交通大学计算机与信息技术学院);National University of Singapore(新加坡国立大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对时空图预测中现有模型无法建模数据不确定性的问题,提出结合STGNN时空学习能力与扩散模型不确定性度量能力的DiffSTG框架,在三个真实数据集上实现了概率评分与误差指标的显著提升。
2024-03-10 cs.LG
Towards Unifying Diffusion Models for Probabilistic Spatio-Temporal Graph Learning
National University of Singapore(新加坡国立大学);University of Technology Sydney(悉尼科技大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出统一时空扩散模型(USTD),以统一概率视角处理时空图预测与克里金插值任务,通过共享编码器和任务特定注意力解码器实现不确定性感知预测,并取得最先进性能。
2024-09-30 cs.LG
Generalised Scale-Space Properties for Probabilistic Diffusion Models
Saarland University(萨尔兰大学)
本文从尺度空间研究视角分析概率扩散模型,证明其在演化概率分布上满足广义尺度空间性质,并探讨漂移-扩散在深度学习与模型驱动解释中的异同及其与渗透滤波器的关系。
2023-09-18 cs.LG eess.IV
Contractive Diffusion Policies: Robust Action Diffusion via Contractive Score-Based Sampling with Differential Equations
Department of Electrical and Computer Engineering, McGill University(麦吉尔大学电气与计算机工程系);Department of Computer Science, McGill University(麦吉尔大学计算机科学系);Mila–Quebec AI Institute(魁北克人工智能研究所)
本文提出收缩扩散策略,通过引入收缩行为提升扩散采样动态的鲁棒性,减少求解和分数匹配误差,降低动作方差,在数据稀缺情况下表现优异。
2026-03-21 cs.LG cs.RO
Denoising diffusion probabilistic models for probabilistic energy forecasting
Uliege(列日大学);Réseau de Transport d’Électricité (RTE)(法国输电网络公司)
针对能源预测中生成高质量间歇性可再生能源时间序列样本的需求,首次将去噪扩散概率模型应用于能源预测,经2014年全球能源预测竞赛数据验证,效果与前沿生成模型相当。
2023-04-06 cs.AI cs.LG
From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers
Department of Electrical and Computer Engineering, University of California, Santa Barbara(加州大学圣塔芭芭拉分校电气与计算机工程系)
本文提出一种基于概率计算机的通用生成建模方法,通过引入马尔可夫链蒙特卡洛动态替代独立噪声注入,利用Ising耦合结构实现更符合目标系统的空间相关性建模。
2026-08-11 cs.ET cs.LG
CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation
Stanford University(斯坦福大学);Mitsubishi UFJ Trust Investment Technology Institute(三菱日联信托投资技术研究所);Japan Digital Design(日本数字设计公司)
时间序列中缺失值的插补在医疗保健和金融领域有许多应用。虽然自回归模型是时间序列插补的自然候选者,但基于分数的扩散模型最近在许多任务(例如图像生成和音频合成)中优于包括自回归模型在内的现有对应模型,并且将有希望用于时间序列插补。在本文中,我们提出了基于条件分数的扩散模型插补(CSDI),一种新的时间序列插补方法,利用基于观测数据的条件分数的扩散模型。与现有的基于分数的方法不同,条件扩散模型被明确地训练用于插补,并且可以利用观察值之间的相关性。在医疗保健和环境数据上,CSDI比现有的流行性能指标的概率估算方法提高了40-65%。此外,与最先进的确定性插补方法相比,CSDI的确定性插补将误差降低了5-20%。此外,CSDI还可以应用于时间序列插值和概率预测,与现有的基线相比具有竞争力。该代码可在https://github.com/ermongroup/CSDI上获得。
2021-10-27 cs.LG stat.ML
Diffusion Probabilistic Modeling for Video Generation
University of California Irvine(加州大学欧文分校)
去噪扩散概率模型是一类很有前途的新的生成模型,它标志着高质量图像生成的一个里程碑。本文展示了它们顺序生成视频的能力,在感知和概率预测指标方面超过了以前的方法。我们提出了一个自回归,端到端优化的视频扩散模型的灵感来自神经视频压缩的最新进展。该模型通过使用由逆扩散过程生成的随机残差来校正确定性下一帧预测,从而连续地生成未来帧。我们将这种方法与涉及自然和基于模拟的视频的四个数据集上的五个基线进行比较。我们发现所有数据集的感知质量都有显着改善。此外,通过引入适用于视频的连续排序概率分数(CRPS)的可扩展版本,我们表明,我们的模型在概率帧预测能力方面也优于现有方法。
2022-12-08 cs.CV cs.LG stat.ML
A Probabilistic Formulation of Offset Noise in Diffusion Models
本文提出一种新的扩散模型,通过概率框架自然引入额外噪声,解决极端亮度值生成问题,实验表明在高维场景中性能更优。
2026-04-09 cs.LG stat.ML
Diffusion models for probabilistic programming
Swiss Data Science Center(瑞士数据科学中心);ETH Zurich(苏黎世联邦理工学院)
本文提出DMVI方法,利用扩散模型作为变分近似实现概率编程语言中的自动化近似推断,在保持相近计算成本和减少手动调优的同时,后验推断准确度优于现有方法。
2023-11-21 cs.LG stat.ML
SegDiff: Image Segmentation with Diffusion Probabilistic Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院)
扩散概率方法用于最先进的图像生成。在这项工作中,我们提出了一种方法来扩展这样的模型进行图像分割。该方法是端到端学习的,而不依赖于预先训练的骨干。通过对两个编码器的输出求和来合并输入图像和分割图的当前估计中的信息。然后使用附加的编码层和解码器来使用扩散模型迭代地细化分割图。由于扩散模型是概率性的,因此它被应用多次,并且结果被合并到最终分割图中。新方法在Cityscapes验证集、Vaihingen建筑分割基准和MoNuSeg数据集上产生了最先进的结果。
2022-09-07 cs.AI cs.CV cs.LG
Treeffuser: Probabilistic Predictions via Conditional Diffusions with Gradient-Boosted Trees
Columbia University(哥伦比亚大学);Fero Labs(费罗实验室)
Treeffuser提出一种结合条件扩散模型与梯度提升树的表格数据概率预测方法,实现非参数、易训练且校准良好的预测分布,在合成与真实数据上优于现有方法,并成功应用于Walmart库存分配。
2024-10-22 cs.LG stat.ML
Improved Denoising Diffusion Probabilistic Models
OpenAI
去噪扩散概率模型(DDPM)是一类最近被证明可以产生优秀样本的生成模型。我们表明,通过一些简单的修改,DDPM也可以实现有竞争力的对数似然,同时保持高样本质量。此外,我们发现,反向扩散过程的学习方差允许采样的数量级较少的前向传递与样本质量的差异可以忽略不计,这是很重要的实际部署这些模型。我们还使用精确度和召回率来比较DDPM和GANs覆盖目标分布的程度。最后,我们证明了这些模型的样本质量和可能性随着模型容量和训练计算而平滑地扩展,使它们易于扩展。我们在https://github.com/openai/improved-diffusion上发布代码
2021-02-18 cs.AI cs.LG stat.ML
PRISM: Probabilistic and Robust Inverse Solver with Measurement-Conditioned Diffusion Prior for Blind Inverse Problems
Johns Hopkins University(约翰霍普金斯大学);Tsinghua University(清华大学)
本文提出PRISM,一种结合测量条件扩散先验与后验采样的概率鲁棒逆求解器,用于盲逆问题,并在盲图像去模糊中同时提升图像和模糊核恢复性能。
2025-09-19 cs.CV cs.LG eess.IV
Diffusion models as probabilistic neural operators for recovering unobserved states of dynamical systems
Aalto University(阿尔托大学)
本文提出将扩散模型用作偏微分方程的神经算子,通过条件生成解或恢复未观测状态,并在多个真实动力系统中优于其他神经算子,同时能处理部分可识别系统。
2024-12-15 cs.AI cs.LG
Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics
School of Computer Science Nanjing University of Posts(南京邮电大学计算机科学学院)
本文提出利用条件扩散模型结合潜在时间动态,对延迟容忍网络中的QoS指标进行概率预测,以量化不确定性并优于传统方法。
2025-10-15 cs.LG stat.ML
DiffECG: A Versatile Probabilistic Diffusion Model for ECG Signals Synthesis
University of Sfax(斯法克斯大学);ENIS(斯法克斯工程学院);Digital Research Center of Sfax(斯法克斯数字研究中心)
本文提出DiffECG,一种基于去噪扩散概率模型的通用心电信号合成方法,支持心跳生成、部分插补和完整预测,性能优于现有生成模型并能增强分类器效果。
2024-05-03 cs.CV cs.LG
Memory Efficient Diffusion Probabilistic Models via Patch-based Generation
Waseda University(早稻田大学);The University of Tokyo(东京大学);Waseda Research Institute for Science and Engineering(早稻田理工学研究院)
本文针对扩散概率模型内存消耗过高的问题,提出基于分块生成的方法,通过位置条件化和全局内容条件化保证分块位置正确与内容连贯,在CelebA和LSUN bedroom上以2×2分块将最大内存消耗降低一半且保持图像质量。
2023-04-14 cs.CV cs.LG
Pyramidal Denoising Diffusion Probabilistic Models
Korea Advanced Institute of Science and Technology(KAIST)(韩国科学技术院(KAIST))
近年来,扩散模型在图像生成方面表现出了令人瞩目的性能,并在各种计算机视觉任务中得到了广泛的研究。不幸的是,训练和评估扩散模型消耗大量的时间和计算资源。为了解决这个问题,在这里,我们提出了一种新的金字塔扩散模型,可以生成高分辨率的图像,从更粗糙的分辨率图像开始使用{ \em单一}分数函数训练的位置嵌入。这使得神经网络能够更轻,并且还能够在不损害其性能的情况下实现时间有效的图像生成。此外,我们表明,该方法也可以有效地用于多尺度超分辨率问题,使用一个单一的评分函数。
2022-09-30 cs.CV cs.LG stat.ML
RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation
University of Miami(迈阿密大学)
针对多元时间序列插补中扩散模型直接建模原始数据过于复杂的问题,提出RDDMPI残差扩散框架,将插补分解为基线预测与残差扩散,提升重建精度与不确定性量化。
2026-09-11 cs.LG stat.ML
DiffUNet^2: Bidirectional Conditional Diffusion for Probabilistic Scientific Spatiotemporal Modeling
Ohio State University(俄亥俄州立大学);NVIDIA;Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
提出基于扩散模型的条件生成框架DiffUNet^2,实现时间序列的双向任意步预测与概率分布捕获,并结合交互式可视化支持科学探索。
2026-09-25 cs.HC cs.LG
Video Probabilistic Diffusion Models in Projected Latent Space
KAIST(韩国科学技术院);Google Research(谷歌研究院)
尽管在深度生成模型方面取得了显着进展,但由于其高维性和复杂的时间动态以及大的空间变化,合成高分辨率和时间相干的视频仍然是一个挑战。最近的工作扩散模型已经显示出他们的潜力,以解决这一挑战,但他们遭受严重的计算和内存效率低下,限制了可扩展性。为了解决这个问题,我们提出了一种新的生成模型的视频,创造投影潜在视频扩散模型(PVDM),概率扩散模型,学习视频分布在一个低维的潜在空间,从而可以有效地训练与高分辨率的视频在有限的资源。具体来说,PVDM由两个组件组成:(a)一个自动编码器,它将给定的视频投影为2D形状的潜在向量,这些潜在向量对视频像素的复杂立方结构进行因式分解;以及(b)一个扩散模型架构,专门用于我们新的因式分解潜在空间和训练/采样过程,以便用单个模型合成任意长度的视频。在流行的视频生成数据集上的实验证明了PVDM与以前的视频合成方法相比的优越性;例如,PVDM在UCF-101长视频(128帧)生成基准上获得639.7的FVD分数,这提高了现有技术的1773.4。
2023-03-30 cs.CV cs.LG
Debias Coarsely, Sample Conditionally: Statistical Downscaling through Optimal Transport and Probabilistic Diffusion Models
Google Research(谷歌研究院);California Institute of Technology(加州理工学院)
本文提出一种基于最优传输去偏与概率扩散模型条件采样的两阶段非配对统计降尺度框架,在8倍和16倍上采样下从有偏低分辨率数据中准确恢复物理统计量,解决了天气与气候模拟中的关键难题。
2023-10-30 cs.LG physics.app-ph
Sifting through the Noise: A Survey of Diffusion Probabilistic Models and Their Applications to Biomolecules
Virginia Tech(弗吉尼亚理工大学)
本文综述了扩散概率模型的理论及其在生物分子结构与序列预测和设计中的应用,介绍了常见应用模式及在生成与预测任务中的显著成果,帮助研究人员全面理解其关键作用。
2024-05-31 cs.AI cs.LG q-bio.BM
DiffPLF: A Conditional Diffusion Model for Probabilistic Forecasting of EV Charging Load
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出DiffPLF条件扩散模型,结合交叉注意力条件机制与任务感知微调,用于电动汽车充电负荷概率预测,在MAE和CRPS上分别比传统方法提升39.58%和49.87%。
2024-02-21 cs.LG eess.SP
SafeDiffuser: Safe Planning with Diffusion Probabilistic Models
Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT))
SafeDiffuser通过将有限时间扩散不变性嵌入去噪扩散过程并结合控制屏障函数,使扩散概率模型满足安全规范,在保持泛化性能的同时实现可信、鲁棒的安全数据生成,并在迷宫路径、腿式机器人运动和三维操作等任务中验证了其优势。
2023-05-31 cs.LG cs.RO cs.SY
Lecture Notes in Probabilistic Diffusion Models
Norwegian University of Science and Technology(挪威科技大学)
本文介绍概率扩散模型的热力学起源与统计定义,阐述其加噪-去噪的马尔可夫链原理及数据流形学习机制,指出其潜变量维度与原数据一致,2023年时在图像分布建模上性能优于GANs等其他生成模型。
2023-12-16 cs.AI cs.LG
Observation-Guided Diffusion Probabilistic Models
LG AI Research(LG AI研究院);Seoul National University(首尔大学)
本文提出观测引导的扩散概率模型(OGDM),通过引入基于噪声水平条件判别器的观测引导损失项,在保持快速采样的同时提升生成质量,且不增加推理计算成本。
2024-04-01 cs.AI cs.LG
Variational Autoencoding Molecular Graphs with Denoising Diffusion Probabilistic Model
针对常规VAE潜变量后验分布假设简单限制表征性能的问题,提出结合DDPM的层级潜变量分子生成模型,在小数据集分子性质预测任务上实现更优性能与鲁棒性。
2023-08-22 cs.LG q-bio.BM stat.ML
Denoising Diffusion Probabilistic Models for Generation of Realistic Fully-Annotated Microscopy Image Data Sets
RWTH Aachen University(亚琛工业大学)
本文提出利用去噪扩散概率模型,以粗略草图为引导无监督地生成全标注显微图像数据集,从而减少分割模型训练对手动标注的依赖,提升数据生成效率和可扩展性。
2023-08-08 cs.CV cs.LG eess.IV
A Probabilistic Framework for Solving High-Frequency Helmholtz Equations via Diffusion Models
Department of Civil and Environmental Engineering(土木与环境工程系);Department of Mechanical Engineering and Materials Science(机械工程与材料科学系);Department of Mathematics(数学系)
本文提出基于扩散模型的概率框架,用于高频率亥姆霍兹方程的求解,通过稳定性分析和实验验证,展示了其在L2、H1和能量范数中的高精度预测能力及对输入不确定性的有效捕捉。
2026-02-03 cs.LG cs.NA math.NA
Denoising Diffusion Probabilistic Models for Magnetic Resonance Fingerprinting
University of Bristol(布里斯托大学);GE HealthCare(通用电气医疗集团);University of Zurich(苏黎世大学)
首次提出用于磁共振指纹图像重建的条件扩散概率模型,在活体脑扫描数据上优于深度学习与压缩感知算法,并通过消融研究提升计算效率。
2024-12-18 cs.CV cs.LG eess.IV
CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding
Tsinghua University(清华大学);School of Software(软件学院)
本文提出CogDPM,将扩散概率模型与预测编码理论结合,利用扩散模型的分层采样能力估计精度权重,并在英国降水和ERA地表风数据集上验证其优于现有业务模型和深度预测模型。
2024-05-03 cs.AI cs.LG cs.NE
Single-View Height Estimation with Conditional Diffusion Probabilistic Models
本文提出条件 DDPM,通过学习光学图像与 DSM 的联合分布,从单张遥感图像生成高分辨率三维高度表面,并在 Vaihingen 数据集上验证效果。
2023-04-26 cs.CV cs.LG eess.IV
Diffusion Models for Probabilistic Deconvolution of Galaxy Images
University of Michigan(密歇根大学)
针对星系图像PSF反卷积的不适定性及经典生成模型样本多样性不足的问题,提出无分类器条件扩散模型,实验证实其比条件VAE能生成更多样的反卷积结果。
2023-07-20 astro-ph.IM cs.LG stat.AP
UDPM: Upsampling Diffusion Probabilistic Models
Tel Aviv University(特拉维夫大学)
本文提出UDPM,将下采样与噪声扰动纳入前向扩散、在反向过程中去噪并上采样,仅需三次网络评估即实现6.86 FID,并具备可解释、可插值的潜在空间。
2024-07-08 cs.CV cs.LG eess.IV
Denoising Diffusion Probabilistic Models to Predict the Density of Molecular Clouds
University of Virginia(弗吉尼亚大学);Chalmers University of Technology(查尔姆斯理工大学);Princeton University(普林斯顿大学);Illinois Institute of Technology(伊利诺伊理工学院)
引入去噪扩散概率模型(DDPM)从投影质量面密度图推断巨型分子云的体积密度,相比传统拟合方法和CASI-2D神经网络,预测精度提升一个数量级,并成功应用于真实天文柱密度图生成体积密度图。
2023-04-04 astro-ph.GA astro-ph.IM cs.LG
SyncSDE: A Probabilistic Framework for Diffusion Synchronization
ECE, Seoul National University(电子工程系,首尔国立大学);Republic of Korea Air Force(韩国空军)
本文提出概率框架SyncSDE,通过建模多扩散轨迹间相关性并按任务自适应选择最优相关模型,解决了现有启发式同步方法缺乏任务特异性且效果次优的问题。
2025-06-03 cs.CV cs.GR cs.LG
DiffFinger: Advancing Synthetic Fingerprint Generation through Denoising Diffusion Probabilistic Models
针对真实指纹数据采集的隐私与多样性难题,本文提出DiffFinger,利用DDPM生成高质量、多样且逼真的合成指纹,效果可媲美真实训练数据。
2024-03-15 cs.AI cs.CV cs.LG
DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models
Purdue University(普渡大学);University of Southern California(南加州大学);NexusQuant AI
提出DiffSTOCK方法,利用去噪扩散概率模型处理金融数据不确定性,结合历史指标和股票间关系,实现SOTA的股市预测与投资组合管理。
2024-03-21 cs.CE cs.LG q-fin.CP
RDPM: Solve Diffusion Probabilistic Models via Recurrent Token Prediction
Meituan(美团);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);UCAS(中国科学院大学)
本文提出循环扩散概率模型RDPM,通过循环令牌预测在离散值域上执行扩散过程,以少量推理步骤实现高质量生成,并统一连续信号与文本的优化策略,推动多模态生成统一模型发展。
2024-12-25 cs.AI cs.CV cs.LG
Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation
Halmstad University(哈尔姆斯塔德大学);Lund University(隆德大学)
针对现有扩散模型忽略低维潜分布、难处理无标签缺失数据的问题,提出LSSDM模型,通过无监督潜空间粗重建结合条件扩散精插补,实现更优的多元时间序列概率插补及不确定性分析。
2024-09-13 cs.AI cs.LG stat.ML
Residual Prior Diffusion: A Probabilistic Framework Integrating Coarse Latent Priors with Diffusion Models
Toyota Central R&D Labs., Inc.(丰田中央研发实验室株式会社)
残差先验扩散通过整合粗粒度潜在先验与扩散模型,有效捕捉数据分布的细粒度细节并保持大型结构,提升生成质量。
2025-12-25 cs.AI cs.CV cs.LG
Can denoising diffusion probabilistic models generate realistic astrophysical fields?
Harvard University(哈佛大学)
基于分数的生成模型已经成为生成对抗网络(GANs)的替代品,并对涉及学习和从复杂图像分布中采样的任务进行规范化。在这项工作中,我们调查的能力,这些模型产生的领域在两个天体物理背景下:暗物质质量密度场的宇宙学模拟和星际尘埃的图像。我们使用三种不同的度量标准来检查采样宇宙场相对于真实场的保真度,并确定要解决的潜在问题。我们展示了在灰尘上训练的模型在去噪灰尘图像中的概念验证应用。据我们所知,这是这类模型在星际介质中的首次应用。
2022-11-22 astro-ph.CO astro-ph.GA astro-ph.IM
On Fast Sampling of Diffusion Probabilistic Models
UC San Diego(加州大学圣地亚哥分校);NVIDIA(英伟达)
在这项工作中,我们提出了快速采样的扩散概率模型,一个统一的框架。Fastertip概括了以前的方法,并产生了新的算法,提高了样本质量。我们系统地研究了在此框架下的快速采样方法,在不同的领域,不同的数据集,并与不同数量的条件信息提供的生成。我们发现特定方法的性能取决于数据域(例如,图像或音频)、采样速度和采样质量之间的权衡以及条件信息的量。我们还为从业者提供了关于方法选择的见解和食谱。
2021-06-23 cs.LG
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion
AMSS, Chinese Academy of Sciences(中国科学院自动化研究所);AMAP, Alibaba Group(阿里巴巴集团)
本研究提出FALDA概率时间序列预测框架,基于DMRR框架结合傅里叶分解与轻量去噪器DEMA,降低认知不确定性,在六个基准上长期预测表现优于现有方法,且比SOTA点预测方法性能最高提升9%。
2025-05-16 cs.LG
DynG-Diff: A State-Aware Dynamic Guidance Diffusion Framework for Probabilistic Time Series Forecasting
Zhejiang Gongshang University(浙江工商大学);Sussex Artificial Intelligence Institute(萨塞克斯人工智能研究所);School of Information and Electronic Engineering(信息与电子工程学院);University of Auckland(奥克兰大学);School of Computer Science(计算机科学学院)
本文针对概率多元时间序列预测中现有扩散方法的信息异质性问题,提出DynG-Diff框架,通过两阶段训练、状态感知策略网络及动态权重设计,实现更优预测性能与鲁棒性。
2026-09-03 cs.LG
Diffusion Tempering Improves Parameter Estimation with Probabilistic Integrators for Ordinary Differential Equations
AI Center, University of Tübingen(图宾根大学AI中心);Hertie Institute for AI in Brain Health, University of Tübingen(图宾根大学赫蒂脑健康人工智能研究所);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
针对ODE参数优化易陷入局部极小值的问题,提出扩散退火正则化技术,通过迭代降低概率积分器噪声参数,提升梯度优化收敛性,并在霍奇金-赫胥黎模型上验证了有效性。
2024-07-19 cs.LG
Likelihood-based Out-of-Distribution Detection with Denoising Diffusion Probabilistic Models
University of Bath(巴斯大学)
本文提出复杂度校正似然比,将基于似然的分布外检测扩展到去噪扩散概率模型,利用不同加噪水平下的证据下界评估构建似然比,取得与最先进生成模型方法相当的结果。
2023-10-26 cs.LG
FedTabDiff: Federated Learning of Diffusion Probabilistic Models for Synthetic Mixed-Type Tabular Data Generation
University of St.Gallen(圣加仑大学);Deutsche Bundesbank(德意志联邦银行);International Computer Science Institute (ICSI)(国际计算机科学研究所)
本文提出FedTabDiff框架,将去噪扩散概率模型扩展到联邦学习场景,在无需集中访问原始数据的情况下,通过同步更新和加权平均实现多实体协作训练,生成高保真、高实用性且保护隐私的混合类型表格数据。
2024-01-11 cs.LG
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
Linköping University(林雪平大学);SMHI(瑞典气象和水文研究所)
本文提出Diffusion-LAM,一种以边界数据为条件的概率有限区域天气模型,并在MEPS数据集上验证了其提供准确概率预报的潜力。
2025-04-10 cs.LG physics.ao-ph
Denoising Diffusion Probabilistic Models
UC Berkeley(加州大学伯克利分校)
我们提出了高品质的图像合成结果,使用扩散概率模型,一类潜变量模型的启发,从非平衡态热力学的考虑。我们最好的结果是通过训练加权变分界,根据扩散概率模型和去噪得分匹配与朗之万动力学之间的一种新的连接设计的,我们的模型自然承认一个渐进的有损解压缩方案,可以解释为一个泛化的自回归解码。在无条件CIFAR10数据集上,我们获得了9.46的Inception评分和3.17的最新FID评分。在256x256 LSUN上,我们获得了与ProgressiveGAN相似的样本质量。我们的实现可以在https://github.com/hojonathanho/diffusion上获得
2020-12-16 cs.LG stat.ML
Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting
Zalando Research(扎兰多研究院)
在这项工作中,我们提出了\texttt{TimeGrad},一个自回归模型的多变量概率时间序列预测的样本从数据分布在每个时间步估计其梯度。为此,我们使用扩散概率模型,一类与分数匹配和基于能量的方法密切相关的潜变量模型。我们的模型通过优化数据可能性的变分界限来学习梯度,并在推理时使用Langevin采样通过马尔可夫链将白噪声转换为感兴趣的分布样本。我们的实验表明,所提出的自回归去噪扩散模型是新的国家的最先进的多元概率预测方法在现实世界的数据集与成千上万的相关维度。我们希望这种方法是一个有用的工具,为从业者在这一领域的未来研究奠定了基础。
2021-02-02 cs.AI cs.LG
Generating observation guided ensembles for data assimilation with denoising diffusion probabilistic model
Japan Atomic Energy Agency(日本原子能机构);The University of Tokyo(东京大学);University of Hyogo(兵库县立大学)
该研究利用去噪扩散概率模型基于含噪稀疏观测生成伪集合,并借助其方差提升仿真模型不完善时的数据同化性能。
2023-08-13 cs.LG physics.comp-ph