用于单颗粒扩散轨迹分析的机器学习解决方案
从稀疏观测数据中学习动力系统是许多领域(包括生物学、金融学和物理学)的一个关键问题。这篇论文介绍了一种将条件粒子滤波与祖先采样和扩散模型相结合的方法,能够生成与观测数据相符合的逼真轨迹。该方法基于迭代条件粒子滤波与祖先采样生成匹配观测边缘概率的合理轨迹,并学习相应的扩散模型。该方法既为复杂约束下高质量、平滑的轨迹提供了一种生成方法,又有效近似了粒子平滑分布在经典跟踪问题中。我们在时间序列生成和插值任务上展示了该方法,包括车辆追踪和单细胞 RNA 测序数据。
Jun, 2024
以机器学习方法为基础的分子动力学模拟技术被广泛应用于材料学的研究领域,本文探讨了机器学习在长时间尺度分子动力学模拟中的应用与发展,并对其未来研究方向进行了展望。
Dec, 2018
通过扩展随机本地化过程并澄清扩散过程与随机本地化之间的联系,本文提出实现从高维分布中采样的有效技术,其中扩散过程的漂移通常表示为神经网络,并使用相应的算法从某些统计力学模型中采样。
May, 2023
通过利用扩散概率模型和随机扩散(StochDiff)模型,本研究提出了一种新型方法,学习每个时间步长的数据先验知识,从而更好地对高度随机化的时间序列进行建模,通过实验验证了该方法在随机时间序列预测中的有效性,并展示了在实际医疗指导中的应用潜力。
Jun, 2024
应对有限数据可用性、数据不平衡、标签复杂性和测量噪声干扰等问题,我们引入了 BioDiffusion,一种基于扩散的概率模型,用于合成多变量生物医学信号。通过利用这些合成信号,可以有效解决上述挑战,提高与生物医学信号相关的机器学习任务的准确性。此外,与当前领先的时间序列生成模型相比,实证证据表明 BioDiffusion 在生物医学信号生成质量方面表现优异。
Jan, 2024
我们提供了一门面向无扩散经验的技术人员的可达到的关于扩散模型和流匹配的机器学习入门课程,我们尽可能简化数学细节(有时启发式地),同时保留足够的精确性来推导正确的算法。
Jun, 2024
扩散模型通过训练大量数据点,利用逐渐添加随机噪声和逆扩散过程将数据样本从复杂分布转换为简单分布,并学习数据流形,优于其他方法(包括生成对抗网络)来建模自然图像等分布。
Dec, 2023