Unsupervised speech enhancement with diffusion-based generative models
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);LORIA(洛林计算机科学及其应用实验室)
本文首次提出基于扩散生成模型的无监督语音增强方法,在STFT域学习干净语音先验,并通过EM迭代结合噪声模型进行后验采样,性能优于VAE无监督方法和监督扩散方法。
2023-09-19 cs.CV cs.SD eess.AS
Boosting Cross-problem Generalization in Diffusion-Based Neural Combinatorial Solver via Inference Time Adaptation
Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程系);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出DIFU-Ada框架,通过推理时间适应提升基于扩散的神经组合求解器在跨问题和跨尺度上的泛化能力。
2026-03-11 cs.AI cs.LG
BUDDy: Single-Channel Blind Unsupervised Dereverberation with Diffusion Models
Aalto University(阿尔托大学);Universität Hamburg(汉堡大学)
本文提出BUDDy方法,利用扩散模型后验采样在单通道无监督条件下联合实现盲去混响和房间脉冲响应估计,无需成对数据且对未知声学环境更鲁棒。
2024-05-07 cs.LG cs.SD eess.AS
On Instabilities of Unsupervised Denoising Diffusion Models in Magnetic Resonance Imaging Reconstruction
University Hospital Aachen(亚琛大学医院);Else Kroener Fresenius Center for Digital Health(埃尔泽·克勒纳·弗雷森纽斯数字健康中心);Medical Faculty Carl Gustav Carus(卡尔·古斯塔夫·卡鲁斯医学院);Technische Universität Dresden(德累斯顿工业大学);University Hospital Dresden(德累斯顿大学医院);National Center for Tumor Diseases (NCT)(国家肿瘤疾病中心);University Hospital Heidelberg(海德堡大学医院)
本研究发现无监督去噪扩散模型在MRI重建中易受微小最坏情况扰动影响,生成误导性伪组织结构和高斯噪声样伪影,突显了提升其临床鲁棒性的必要性。
2024-06-23 cs.AI cs.LG eess.IV
Decoding Diffusion: A Scalable Framework for Unsupervised Analysis of Latent Space Biases and Representations Using Natural Language Prompts
University of Waterloo(滑铁卢大学)
本文提出一种利用自然语言提示和图像描述映射潜在方向的无监督框架,无需训练特定向量即可自动分析扩散模型潜在空间中的偏差和表示,实现更可扩展和可解释的理解。
2024-11-04 cs.AI cs.CL cs.CV
TabADM: Unsupervised Tabular Anomaly Detection with Diffusion Models
Tel Aviv University(特拉维夫大学);Playtika LTD(Playtika有限公司);Bar-Ilan University(巴伊兰大学)
针对真实表格数据含异常值影响下游分析的问题,提出基于扩散模型的无监督异常检测方法TabADM,通过独特拒绝机制学习正常样本密度以识别异常,检测效果优于基线且对数据维度稳定、调参需求少。
2023-07-23 cs.LG
Unsupervised Raindrop Removal from a Single Image using Conditional Diffusion Models
Faculty of Computer Science, Universitas Indonesia(计算机科学学院,印度尼西亚大学)
针对单图雨滴去除难题,本文提出利用基于扩散模型的图像修复技术替代常用GAN背景恢复架构,实现无监督雨滴去除。
2025-05-13 cs.CV cs.LG
DiffSDA: Unsupervised Diffusion Sequential Disentanglement Across Modalities
Ben-Gurion University(本-古里安大学);VISTEC(泰国科学技术研究院)
本文提出DiffSDA,一种模态无关的无监督扩散序列解缠框架,利用潜在扩散和高效采样器,在时间序列、视频和音频等真实数据上优于现有最先进方法。
2025-10-07 cs.LG
Unsupervised vocal dereverberation with diffusion-based generative models
Sony Group Corporation(索尼集团公司)
从混响音乐中去除混响是为下游音乐操作清理音频的必要技术。音乐混响分为自然混响和人工混响两大类。人工混响由于其各种参数设置和混响类型而比自然混响具有更广泛的多样性。然而,最近的监督去混响方法可能会失败,因为它们依赖于足够多样化和大量的混响观测和检索数据对进行训练,以便在推理期间推广到看不见的观测。为了解决这些问题,我们提出了一种无监督的方法,可以消除音乐的一般类型的人工混响,而不需要对数据进行训练。所提出的方法是基于扩散模型,其中它的未知混响算子与传统的信号处理技术,同时细化的估计与扩散模型的帮助。我们通过客观和感性的评价表明,我们的方法优于目前领先的声乐去混响基准。
2022-11-08 cs.LG cs.SD eess.AS
EDISCO: Equivariant DIScrete Diffusion for Euclidean Combinatorial Optimization
University of Alberta(阿尔伯塔大学)
EDISCO是首个具有精确E(2)不变生成分布的离散扩散模型,通过等变边得分网络和连续时间马尔可夫链,在TSP和CVRP上以更少数据超越现有方法,并具鲁棒性。
2026-10-21 cs.AI cs.LG
DiffuseMorph: Unsupervised Deformable Image Registration Using Diffusion Model
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
形变图像配准是医学成像的基本任务之一。经典的配准算法通常需要很高的计算成本进行迭代优化。尽管已经开发了基于深度学习的方法用于快速图像配准,但是获得从运动图像到固定图像的逼真连续变形并且具有较少的拓扑折叠问题仍然具有挑战性。为了解决这个问题,在这里,我们提出了一种新的基于扩散模型的图像配准方法,称为DiffuseMorph。DiffuseMorph不仅通过反向扩散生成合成变形图像,而且还允许通过变形场进行图像配准。具体地,通过运动图像和固定图像之间的变形的条件分数函数来生成变形场,使得可以通过简单地缩放分数的潜在特征来从连续变形执行配准。二维人脸和三维医学图像配准任务的实验结果表明,我们的方法提供了灵活的变形与拓扑保持能力。
2022-09-29 cs.CV cs.LG eess.IV
Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models
Zhejiang University(浙江大学);ByteDance(字节跳动)
本文提出首个无监督学习方法,在预训练扩散模型h空间中发现全局可扩展的可解释方向,并设计显存高效训练算法以支持梯度反向传播。
2023-11-30 cs.CV cs.LG
Unsupervised Anatomical Feature Learning via Diffusion Models: Enhanced Medical Image Segmentation with Denoising Diffusion Probabilistic Models
Manipal Institute of Technology Bengaluru, Manipal Academy of Higher Education(马尼帕尔理工学院班加罗尔分校,马尼帕尔高等教育学院)
该研究提出用无监督DDPM预训练提取解剖特征,将编码器权重迁移至U-Net实现医学图像分割,在BTCV数据集上显著提升多器官分割性能,低数据场景下仍保持稳健表现。
2026-08-27 cs.AI cs.CV cs.LG
Unsupervised learning of anomalous diffusion data
ICFO – Institut de Ciències Fotòniques, The Barcelona Institute of Science and Technology(ICFO 光子科学研究所,巴塞罗那科学技术学院);ICREA(加泰罗尼亚研究与高级研究所)
本研究针对反常扩散实验数据短且含噪、监督学习依赖标注的问题,提出无监督学习方法,可无标注学习扩散特征、区分模型并提取参数,还能发现组合型新扩散类型,适用于监督学习无法应用的实验场景。
2021-08-07 cond-mat.stat-mech cs.LG physics.bio-ph
DIFUSCO: Graph-based Diffusion Solvers for Combinatorial Optimization
Carnegie Mellon University(卡内基梅隆大学)
本文提出基于图的扩散框架DIFUSCO,将NPC问题建模为离散向量优化问题,利用高斯和伯努利去噪扩散模型生成高质量解,在TSP和MIS上显著超越先前神经求解器。
2023-12-02 cs.LG
State Combinatorial Generalization In Decision Making With Conditional Diffusion Models
Carnegie Mellon University(卡内基梅隆大学)
本文提出利用条件扩散模型实现决策中的状态组合泛化,通过实验展示其在多环境中的优越性能。
2025-12-14 cs.LG
ArrayDPS: Unsupervised Blind Speech Separation with a Diffusion Prior
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Columbia University(哥伦比亚大学);Southern University of Science and Technology(南方科技大学)
针对麦克风阵列盲语音分离中阵列结构、RIR和源信号均未知的难题,提出基于扩散后验采样的无监督生成式方法ArrayDPS,通过优化近似似然与房间声学特性,仅需单说话人扩散先验即可实现优于现有无监督方法、媲美有监督方法的分离性能。
2025-06-17 cs.LG cs.MM cs.SD
Combinatorial Complex Score-based Diffusion Modelling through Stochastic Differential Equations
Imperial College London(帝国理工学院)
本论文提出基于随机微分方程的统一框架,将图与超图等复杂对象建模为组合复形进行分数扩散生成,统一了分数匹配与去噪扩散概率模型,并在图和分子生成任务上达到与最先进方法相当的性能。
2024-06-07 cs.LG cs.SI math.AT
Parallel Tempering for Diffusion-Based Combinatorial Optimization
ETAS Research(ETAS研究院);University of Stuttgart(斯图加特大学);Max Planck Research School for Intelligent Systems (IMPRS-IS)(马克斯·普朗克智能系统研究学院);School of AI and Advanced Computing, Xi’an Jiaotong-Liverpool University(西安交通大学利物浦大学人工智能与先进计算学院);NEC Laboratories Europe(NEC欧洲实验室)
本文提出PT-Denoise,一种通过并行回火使去噪轨迹交互的推理时方法,在不重新训练的情况下动态重分配温度,提升图组合优化问题求解质量,且计算开销极小。
2026-09-30 cs.LG
Unsupervised Statistical Feature-Guided Diffusion Model for Sensor-based Human Activity Recognition
Aalto University(阿尔托大学);DFKI(德国人工智能研究中心);RPTU Kaiserslautern-Landau(凯泽斯劳滕-兰道工业大学)
针对可穿戴传感器HAR标注数据稀缺问题,提出以均值、Z-score等统计信息为条件的无监督扩散模型,可生成带标注合成传感器数据,实验证明其能提升HAR性能且优于现有方法。
2024-05-19 cs.LG eess.SP
Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation
Zhejiang University(浙江大学);Southern University of Science and Technology(南方科技大学);Hong Kong University of Science and Technology(香港科技大学);Zhejiang Laboratory(之江实验室)
针对域偏移大、目标域数据有限导致的 UDA 性能瓶颈,本文提出 DACDM,利用类别条件与域分类器引导扩散模型生成可控的高保真多样目标域样本,显著提升现有 UDA 方法性能。
2023-09-23 cs.CV cs.LG
Unsupervised Blind Joint Dereverberation and Room Acoustics Estimation with Diffusion Models
Universität Hamburg(汉堡大学);Aalto University(阿尔托大学)
本文提出无监督方法BUDDy,结合扩散模型与贝叶斯采样,联合估计房间冲激响应并去混响,在盲场景中优于现有基线,适应性强,并支持高分辨率歌声去混响。
2025-03-25 cs.LG cs.SD eess.AS
Closed-Loop Unsupervised Representation Disentanglement with $β$-VAE Distillation and Diffusion Probabilistic Feedback
Ningbo Institute of Digital Twin, Eastern Institute of Technology(宁波数字孪生研究所、东部技术研究所);Shanghai Jiao Tong University(上海交通大学);Xi’an Jiaotong University(西安交通大学)
针对表示解缠中依赖标注、约束启发式和评估缺失的问题,提出闭环无监督方法 CL-Dis,结合扩散自编码器与 $\eta$-VAE 蒸馏及反馈,实现语义解缠并提升真实图像操作与视觉分析性能。
2025-09-09 cs.CV cs.LG
Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection
Jung Diagnostics GmbH(荣格诊断有限公司)
本文针对无监督异常检测中异常评分仅关注强度而忽略结构差异的问题,提出一种基于不同核大小自适应集成的SSIM策略,提升了扩散模型在脑MRI异常检测中的分割性能并降低了对核大小的敏感性。
2024-03-21 cs.CV cs.LG eess.IV
Unsupervised Imaging Inverse Problems with Diffusion Distribution Matching
Univ. Grenoble Alpes(格勒诺布尔-阿尔卑斯大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院)
针对图像复原逆问题中前向模型未知、配对数据难获取的痛点,提出基于条件流匹配和分布匹配损失的无监督方法,仅需小型非配对数据集,在多项任务上性能优异,可低成本实现镜头校准等真实应用。
2025-06-17 cs.CV cs.LG eess.IV
Structure As Search: Unsupervised Permutation Learning for Combinatorial Optimization
Cornell University(康奈尔大学)
提出非自回归无监督排列学习框架,直接学习排列矩阵解决旅行商问题,无需显式搜索,性能媲美经典启发式,证明神经网络可捕获组合结构。
2025-09-24 cs.AI cs.LG
Erdos Goes Neural: an Unsupervised Learning Framework for Combinatorial Optimization on Graphs
EPFL(洛桑联邦理工学院)
组合优化问题对于神经网络来说是非常具有挑战性的,特别是在没有标记实例的情况下。这项工作提出了一个无监督学习框架CO问题的图,可以提供认证质量的整体解决方案。受Erdos概率方法的启发,我们使用神经网络来参数化集合上的概率分布。至关重要的是,我们表明,当网络优化w.r.t.一个适当选择的损失,学习的分布包含,具有受控的概率,低成本的整体解决方案,服从组合问题的约束。存在的概率证明,然后去随机化解码所需的解决方案。我们证明了这种方法的有效性,以获得有效的解决方案的最大集团问题,并进行局部图聚类。我们的方法在真实数据集和合成硬实例上都取得了有竞争力的结果。
2021-03-07 cs.LG stat.ML
Unsupervised Diffusion Solver for Combinatorial Optimization via Combinatorial Adjoint Matching
Language Technologies Institute, Carnegie Mellon University(卡内基梅隆大学语言技术研究所);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出组合伴随匹配(CAM)框架,利用离散伴随动力学和随机控制公式,实现无监督训练离散扩散求解器,在多种组合优化问题上达到与监督方法竞争的性能。
2026-06-18 cs.LG
Unsupervised Learning for Combinatorial Optimization Needs Meta-Learning
Georgia Institute of Technology(佐治亚理工学院);Purdue University(普渡大学)
组合优化无监督学习的一般框架是训练一个神经网络,其输出通过直接优化组合优化目标给出问题解。尽管与传统的求解器相比有一些优势,但当前的框架优化了历史问题实例分布的平均性能,这与CO的实际目标不一致,即为未来遇到的每个实例寻找一个好的解决方案。有了这个观察,我们提出了一个新的目标,无监督学习的CO学习的目标是寻找良好的初始化为未来的问题实例,而不是直接的解决方案。我们提出了一个基于元学习的训练管道,这个新的目标。我们的方法取得了良好的经验性能。我们观察到,即使是我们的模型在微调之前给出的初始解决方案,在各种评估设置下,包括跨多个数据集的评估,以及问题规模发生重大变化的情况下,也可以显着优于基线。我们推测的原因是,基于元学习的训练让模型与训练实例的每个局部最优值松散地联系在一起,同时更适应实例之间优化景观的变化。
2023-01-22 cs.AI cs.LG
UniHetCO: A Unified Heterogeneous Representation for Multi-Problem Learning in Unsupervised Neural Combinatorial Optimization
UniHetCO通过统一的异构图表示,实现多问题学习中的跨类别优化,提升稳定性与适应性。
2026-03-12 cs.LG
Deep k-grouping: An Unsupervised Learning Framework for Combinatorial Optimization on Graphs and Hypergraphs
Changchun University of Science and Technology, China(长春理工大学)
提出无监督组合优化框架Deep k-grouping,通过OH-PUBO建模、GPU加速算法和基尼系数退火策略解决大规模图与超图k-分组问题,性能优于现有神经网络求解器及经典启发式方法。
2025-05-27 cs.AI cs.LG
On Training-Test (Mis)alignment in Unsupervised Combinatorial Optimization: Observation, Empirical Exploration, and Analysis
School of Electrical Engineering, KAIST(韩国庆熙大学电气工程学院);AI4CO Open-Source Community(AI4CO开源社区);Kim Jaechul Graduate School of Artificial Intelligence, KAIST(韩国庆熙大学人工智能研究生院)
本研究指出无监督组合优化中训练与测试存在不对齐,提出将可微去随机化纳入训练以改善对齐,经验验证有效但带来训练挑战。
2025-06-20 cs.AI cs.DM cs.LG
Unsupervised Learning for Quadratic Assignment
针对二次分配问题,提出无监督学习框架PLUME搜索,通过基于排列的损失函数和非自回归方法直接从问题实例学习,提升解质量并在不同密度、规模问题间泛化。
2025-08-19 cs.AI cs.LG
Test-Time Adaptation for Unsupervised Combinatorial Optimization
UC San Diego(加州大学圣地亚哥分校)
本文提出TACO框架,通过结合通用模型与实例特定模型,解决无监督组合优化中通用性与实例适应性的矛盾,提升求解质量与效率。
2026-04-26 cs.LG
Unsupervised Learning for Combinatorial Optimization with Principled Objective Relaxation
Purdue University(普渡大学);UCSB(加州大学圣巴巴拉分校);Georgia Tech.(佐治亚理工学院)
使用机器学习来解决组合优化(CO)问题是具有挑战性的,特别是当数据是未标记的。本文提出了一个CO问题的无监督学习框架。我们的框架遵循标准的松弛加舍入方法,并采用神经网络来参数化松弛的解决方案,以便简单的反向传播可以训练端到端的模型。我们的主要贡献是观察到,如果放松的目标满足条目明智的,低优化损失保证最终的积分解决方案的质量。这一观察结果显着拓宽了以前的框架启发鄂尔多斯的概率方法的适用性。特别是,这一观察可以指导目标模型的设计,在应用程序中的目标没有明确给出,而需要事先建模。我们评估我们的框架,通过解决一个合成图优化问题,和两个现实世界中的应用,包括电路设计和近似计算中的资源分配。我们的框架在很大程度上优于基于朴素放松、强化学习和Gumbel-softmax技巧的基线。
2022-10-22 cs.AR cs.LG math.OC
A Clustering-Based Combinatorial Approach to Unsupervised Matching of Product Titles
随着电子商务行业的不断发展,产品检索问题变得尤为重要。随着越来越多的企业将其活动转移到Web上,与产品相关的信息的数量和多样性迅速增加。这些因素使得用户很难识别和比较他们想要的产品的特征。最近的研究表明,标准的相似性度量不能有效地识别相同的产品,因为相似的标题往往是指不同的产品,反之亦然。其他研究采用外部数据源(搜索引擎)来丰富标题;这些解决方案是相当不切实际的,主要是因为外部数据提取缓慢。在本文中,我们介绍了UPM,一个无监督的算法匹配产品的标题。UPM独立于任何外部来源,因为它分析标题并从中提取单词组合。这些组合根据几个标准进行评估,其中最合适的组合构成了产品分类的集群。UPM也是无参数的,它避免了产品成对比较,并包括一个后处理验证阶段,纠正错误的匹配。UPM的实验评估证明了其在效率和有效性方面优于最先进的方法。
2019-03-07 cs.IR cs.LG stat.ML
Tackling Prevalent Conditions in Unsupervised Combinatorial Optimization: Cardinality, Minimum, Covering, and More
KAIST(韩国科学技术院);AI4CO Open-Source Community(AI4CO开源社区);POSTECH(浦项科技大学)
针对无监督组合优化中普遍存在的条件(如基数、最小值、覆盖等),提出具体目标与理论依据,推导非平凡的目标函数和去随机化方法,并在合成及真实图上验证了优化质量与速度的优越性。
2024-05-24 cs.LG math.OC
Learning by Unsupervised Nonlinear Diffusion
Johns Hopkins University(约翰斯·霍普金斯大学);Tufts University(塔夫茨大学)
本文提出并分析了一种新的聚类算法,结合基于图的扩散几何技术的密度和模式估计。所提出的方法是适用于从混合物的分布密度,这是多峰和非线性形状的数据。该算法的一个重要方面是使用时间的数据适应扩散过程作为尺度参数,这是不同于许多聚类算法中使用的局部空间尺度参数。我们证明了一个灵活的非参数数据模型下的扩散距离相对于这个时间参数的行为的估计,确定一个范围内的时间,其中揭示了介观平衡的基本过程,对应于集群内和集群间的扩散距离之间的差距。这些结构可能会被谱聚类中常用的图拉普拉斯算子的顶部特征向量遗漏。利用该分析来证明保证所提出的\emph{learning by unsupervised nonlinear diffusion (LUND)}程序的准确性的充分条件。我们实现LUND和证实其理论性质的说明性数据集,展示了理论和经验的优势,谱聚类和基于密度的聚类技术。
2018-12-29 cs.LG stat.ML
Exploratory Diffusion Model for Unsupervised Reinforcement Learning
Department of Computer Science & Technology, Institute for AI, BNRist Center, Tsinghua-Bosch Joint ML Center, THBI Lab, Tsinghua University(计算机科学与技术系、人工智能研究院、BNRist中心、清华-博世联合机器学习中心、THBI实验室、清华大学)
针对无监督强化学习中异质探索数据对模型表征能力的高要求,提出基于扩散模型的ExDM方法,通过分数型内在奖励提升探索效率,还解决了扩散策略微调的稳定性与复杂度问题,性能优于现有基线。
2025-05-16 cs.AI cs.LG
Factorized Diffusion Architectures for Unsupervised Image Generation and Segmentation
University of Chicago(芝加哥大学)
提出一种内置计算瓶颈的分解去噪扩散架构,仅依靠扩散目标即可无监督地同时完成图像生成与语义分割,并可零微调迁移到真实图像分割。
2023-12-08 cs.CV cs.LG
Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
Fraunhofer IOSB-INA(弗劳恩霍夫研究所)
本文提出一种基于物理信息扩散模型的多元时间序列无监督异常检测方法,通过加权物理信息损失学习物理依赖的时间分布,实验表明其在F1分数、数据多样性和对数似然上优于基线及纯数据驱动扩散模型。
2025-08-15 cs.LG
Deep Spatially-Regularized and Superpixel-Based Diffusion Learning for Unsupervised Hyperspectral Image Clustering
Tufts University(塔夫茨大学)
本文提出一种结合掩码深度表征学习与扩散聚类的无监督超光谱图像聚类框架,通过改进的空间正则化超像素扩散学习算法,提升聚类质量。
2026-04-14 cs.CV cs.LG
Unsupervised Learning of Local Updates for Maximum Independent Set in Dynamic Graphs
School of Computing and Augmented Intelligence(计算学院和增强智能学院);Biodesign Center for Biocomputing, Security and Society(生物设计中心(生物计算、安全与社会));Arizona State University(亚利桑那州立大学)
本文提出了一种动态图中最大独立集的无监督学习方法,结合图神经网络的结构学习与分布式更新机制,实现高效优化。在200-1000节点动态图上,模型在速度和解质量上优于现有方法。
2026-04-15 cs.LG cs.SI
Efficient Combinatorial Optimization via Heat Diffusion
Institute of Science and Technology for Brain-inspired Intelligence, Fudan University(复旦大学类脑智能科学与技术研究院);School of Mathematical Sciences, Fudan University(复旦大学数学科学学院);Shanghai Center for Mathematical Sciences(上海数学中心);University of Warwick(华威大学)
针对组合优化问题解空间访问受限导致搜索效率低的问题,提出基于热扩散的求解框架,通过变换目标函数促进信息主动传播,在多种挑战性任务上展现卓越性能并揭示热力学在该领域的潜力。
2024-09-26 cs.LG math.CO physics.app-ph
Unsupervised Anomaly Detection Using Diffusion Trend Analysis for Display Inspection
Samsung Display(三星显示公司);Stanford University(斯坦福大学)
本文针对显示检测中重建式扩散模型异常检测的噪声参数难确定和正常区域误检问题,提出基于重建趋势分析的异常检测方法。
2025-08-18 cs.CV cs.LG
DiffGAD: A Diffusion-based Unsupervised Graph Anomaly Detector
University of Science and Technology of China(中国科学技术大学);New York University(纽约大学);China Academy of Electronics and Information Technology(中国电子科技集团公司电子科学研究院)
DiffGAD提出基于扩散的潜在空间学习范式,注入判别性内容并引入内容保留机制,在六个大规模数据集上显著提升无监督图异常检测性能。
2025-02-25 cs.AI cs.LG cs.SI
Unsupervised detection of ash dieback disease (Hymenoscyphus fraxineus) using diffusion-based hyperspectral image clustering
Tufts University(塔夫茨大学);University of Cambridge(剑桥大学);City University of Hong Kong(香港城市大学);Wake Forest University(维克森林大学)
灰枯梢病(Hymenoscyphus fraxineus)是一种引入的真菌疾病,导致欧洲各地的灰树普遍死亡。遥感高光谱图像编码丰富的结构,已被用于检测灰树枯死疾病,使用监督机器学习技术。然而,要了解森林规模的森林健康状况,需要准确的无监督方法。本文探讨了使用无监督扩散和VCA辅助图像分割(D-VIS)聚类算法检测灰枯梢病在英国剑桥附近的森林网站。在这项工作中提出的无监督聚类与该场景上以前工作的监督分类有很高的重叠(总体准确率= 71%)。因此,无监督学习可用于灰枯梢病的远程检测,而不需要专家标记。
2022-04-19 cs.CV cs.LG stat.AP
Copilot4D: Learning Unsupervised World Models for Autonomous Driving via Discrete Diffusion
Waabi(瓦比科技);University of Toronto(多伦多大学)
本文提出Copilot4D,通过VQVAE分词传感器观测并结合离散扩散预测未来,在多个自动驾驶数据集上大幅降低点云预测误差,展示了类GPT无监督学习在机器人领域的潜力。
2024-04-01 cs.AI cs.CV cs.LG
Curvature-Guided Sheaf Diffusion for Unsupervised Community Detection on Heterophilic Graphs
School of Artificial Intelligence(人工智能学院);Xiamen Institute of Technology(厦门理工学院)
提出曲率引导的层扩散(CGSD),利用离散Forman-Ricci曲率作为拓扑信号,通过曲率门控编码器和曲率感知谱聚类器实现无监督社区检测,在异配图基准上取得竞争性结果。
2026-07-07 cs.AI cs.LG
Scalable Discrete Diffusion Samplers: Combinatorial Optimization and Statistical Physics
ELLIS Unit Linz, LIT AI Lab, Johannes Kepler University Linz, Austria(林茨ELLIS单元、LIT AI实验室、林茨约瑟夫·冯·海德里希大学,奥地利);Department of Electrical & Computer Engineering, Georgia Institute of Technology(电气与计算机工程系,佐治亚理工学院);NXAI Lab & NXAI GmbH, Linz, Austria(NXAI实验室及NXAI GmbH,林茨,奥地利)
本文提出两种内存高效的离散扩散采样器训练方法(基于策略梯度和自归一化神经重要性采样),实现无偏采样,在组合优化和伊辛模型基准上超越自回归方法。
2025-07-08 cond-mat.stat-mech cs.AI cs.LG
Diffusion-based Unsupervised Audio-visual Speech Enhancement
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Loria(洛林计算机科学与应用实验室);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
本研究提出一种结合扩散视听语音生成模型与NMF噪声模型的无监督AVSE方法,通过迭代后验采样估计干净语音,在性能、泛化性及速度-性能平衡上均优于对比方法。
2025-01-15 cs.AI cs.CV cs.LG
DiffAug: Enhance Unsupervised Contrastive Learning with Domain-Knowledge-Free Diffusion-based Data Augmentation
Westlake University(西湖大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);National University of Singapore(新加坡国立大学);Hupan Lab, Zhejiang Province(浙江省湖畔实验室);AI Lab, Research Center for Industries of the Future, Westlake University(西湖大学未来产业研究中心人工智能实验室)
本文提出DiffAug,一种利用条件扩散模型生成正样本的无监督对比学习增强方法,无需领域知识,在DNA、视觉和生物特征数据集上优于现有方法。
2024-05-25 cs.CE cs.CV cs.LG
Unsupervised Out-of-Distribution Detection with Diffusion Inpainting
Cornell University(康奈尔大学)
提出无监督OOD检测方法LMD,利用扩散模型先破坏图像再映射回域内流形,并依据映射后与原始流形的距离识别域外样本,在多数据集上表现具有竞争力。
2023-08-16 cs.CV cs.LG
Diffusion-Based Unsupervised Audio-Visual Speech Separation in Noisy Environments with Noise Prior
Faculty of Engineering, Bar-Ilan University(巴伊兰大学工程学院);OriginAI
针对单麦克风含噪语音分离问题,提出一种基于扩散模型的无监督音视频分离方法,通过显式建模语音与噪声分布并利用逆向扩散过程采样,在嘈杂环境中实现了有效的纯净语音分离。
2025-09-17 cs.LG eess.AS