本文提出了一种用于任意分布的点的时空预测的新方法，该模型可以利用偏微分方程来推导数据动态的连续时间模型，通过有限元方法，在空间域的网格化中估计未知动态对每个单元格的瞬时影响，我们的模型可以通过假设方程的形式来将先前知识纳入其中，并从对流方程导出一个运输变体，该模型对比基准模型，表现了更好的海面温度和气体流量预测的转移性能。此外，我们的模型具有独特的可解释性。

Mar, 2022

本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

Apr, 2023

本篇综述着重探讨了基于扩散模型的时间序列预测、插补和生成方法，并比较了不同应用的方法及其联系，最后总结了现有的限制与未来的发展方向。

May, 2023

探索了无特定任务条件下以时间序列为基础的扩散模型，通过自我引导机制，在推理过程中对TSDiff进行条件处理，并且不需要辅助网络或改变训练程序。展示了方法在预测、细化和合成数据生成三个时间序列任务中的有效性。

Jul, 2023

我们介绍了一种基于概率扩散模型的新型生成框架，用于多样化生成时空湍流。我们的方法在贝叶斯框架内统一了无条件和条件抽样策略，并能适应各种条件情景，包括指定条件与生成的非稳定流动结果之间具有直接可微分链接的情况以及缺乏明确相关性的情况。我们的方法的一个显著特点是基于自回归梯度条件抽样的长时跨度流动序列生成方法，在没有繁琐的重新训练过程的情况下完成。通过一系列数值实验展示了我们框架的多样化湍流生成能力，包括：1）从URANS输入合成LES模拟的瞬态流动序列；2）从给定的初始条件、规定的湍流统计数据或完全从头开始生成非均匀的、各向异性的壁面湍流；3）从不同输入分辨率的低分辨率数据中实现高速湍流边界层流动的超分辨生成。综合而言，我们的数值实验突显了所提方法的优点和变革潜力，在湍流生成领域取得了重大进展。

Nov, 2023

本研究调查了扩散模型在时间序列预测中的应用，介绍了扩散模型的背景信息、条件方法以及其在时间序列预测中的应用，并对11个具体的时间序列实现进行了分析、比较和介绍。本研究在扩散模型在时间序列预测中的应用和对当前领域的最新研究方向提供了全面的探索，为人工智能和时间序列分析领域的研究人员提供了有价值的资源。

Jan, 2024

滚动扩散是一种新方法，通过滑动窗口去噪过程，采用滑动窗口逐渐增加帧之间的噪声，从而反映序列中较晚出现的帧对未来的不确定性，实证结果表明，在复杂的时间动态下，滚动扩散优于标准扩散模型，尤其在视频预测和混沌流体动力学预测实验中得到了证实。

Feb, 2024

本研究提出了一种自回归生成扩散模型（DiffObs），用于预测全球日降水的演变，该模型基于卫星观测产品进行训练，并通过领域特定的诊断进行评估。该模型被训练用于概率性地预测一天前的降水。尽管存在次要问题和偏见，结果证实了在实际的亚季节和气候预测应用中，通过对日益稀疏，直接和差异化的观测进行训练的全球扩散模型的潜力。

Apr, 2024

本研究解决了现有预测模型在数据同化中的不足，提出了一种新颖的自回归采样方法和一个新的条件评分模型训练策略，以提升预测性能和稳定性。通过实验证明，这些改进对于同时处理预测和数据同化这一在现实场景中常见的任务至关重要。

Oct, 2024

本研究解决了时间序列预测中扩散模型的随机性导致可预测性不稳定的问题。作者提出了一种新颖的扩散基础时间序列预测模型——系列到系列扩散桥模型（$\mathrm{S^2DBM}$），利用布朗桥过程降低反向估计中的随机性，并结合历史时间序列数据的有用先验和条件，提高了预测精度。实验结果表明，$\mathrm{S^2DBM}$在点对点预测中表现优越，并在概率预测中与其他扩散模型有效竞争。

Nov, 2024