该研究探讨了扩散模型在无监督和半监督异常检测中的应用,并在相应的基准测试中表现出了出色的性能,特别是在 DTPM 中,使用深度神经网络提高推断效率,获得了比 DDPM 更快的推理时间和更好的性能。
May, 2023
通过将 AnoGAN 的原理应用于表格数据,本研究在异常检测领域做出了新的贡献,并在检测以前无法检测到的异常方面取得了有希望的进展。
May, 2024
通过引入 Federated Tabular Diffusion (FedTabDiff),旨在无需中心化访问原始数据集的情况下生成高保真度的混合类型表格数据,从而解决了保护隐私、混合属性类型和隐含关系等表格数据固有的复杂性问题。该方法采用去噪扩散概率模型 (DDPMs) 的优点,并实现了一种允许多个实体协同训练生成模型的分散学习方案,同时尊重数据隐私和本地性。FedTabDiff 还在联邦设置中扩展了 DDPMs,其中包括同步更新方案和加权平均以实现有效的模型聚合。对真实世界的金融和医疗数据集的实验评估证明了该框架能够产生保持高保真度、效用度、隐私和覆盖度的合成数据。
Jan, 2024
构建更好的零样本和少样本生成能力的生成式表格基础模型 LaTable 在有限样本的条件下,在实例内分布生成方面胜过基线,并在生成超出分布的数据集时表现更好。
Jun, 2024
扩散模型在多元时间序列异常检测中显示出潜力,通过比较基线模型和使用 ROCK-AUC 指标扩展的 PA% K 协议,在合成数据集上表现优于其他模型,在真实世界数据集上表现竞争力。
Nov, 2023
这项工作提出了一个统一且原则性的扩散式框架,用于在各种缺失机制下从数据中学习丢失值,并通过多个制表符数据集的评估证明了其优于当前最先进的扩散模型。
Jul, 2023
介绍了一种公平的扩散模型,用于生成平衡的敏感属性数据,并通过实证证据表明该方法在训练数据中有效地减轻了类别不平衡问题,同时保持生成样本的质量,并且在性能和公平性方面优于现有方法用于综合表格数据。
Apr, 2024
扩展前述的隐式条件方法,我们提出了一种新的框架,通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力,有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。
本文提出了基于敌对去噪扩散模型(ADDM)的研究。ADDM 基于去噪扩散概率模型(DDPM),并通过敌对学习进行互补训练。实验结果表明,ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。
Dec, 2023
借助扩散模型,我们使用自编码器架构生成合成表格数据,在比较现有的合成器的基础上,我们的模型生成的合成表格与真实数据具有良好的统计保真度,并在机器学习任务中表现出色,尤其是在捕捉特征之间的相关性方面。
Oct, 2023