Sep, 2023

利用 Gramian Angular Fields 和异常扩散轨迹增强预训练的计算机视觉模型

PDF
TL;DR利用 Gramian 角度场对扩散轨迹进行编码并利用计算机视觉模型对其特征进行表征以推断异常扩散指数，从而在应用场景中提高对机器学习方法的可操作性。
anomalous diffusiondiffusive trajectoriesgramian angular fieldscomputer-vision modelsmachine learning methods
发现论文，激发创造
  • 时间序列图像化以提高分类和插补能力

    本研究利用深度学习，将时间序列编码为各种类型的图像，并使用卷积神经网络对其进行分类，其中采用 GASF/GADF 和 MTF 技术进行编码。通过在 20 个标准数据集上使用 TILE CNNs 进行学习，本方法取得了与当前九种最佳时间序列分类方法具有高度竞争力的结果。同时，本文还使用 DA 对经过编码的 GASF 图像进行降噪自编码器的培训，并在 4 个标准数据集和一个合成复合数据集上证明，使用 GASF 图像进行插值可以将测试数据的均方误差降低 12.18％-48.02％。分析了由 Tibed CNNs 和 DAs 学习到的特征和权重，解释了本方案的工作原理。

    Jun, 2015

  • 多重分形 - 谱特征增强异常扩散分类

    多重分形光谱特征在增强异常扩散分类中表现出多样而强效的作用。

    Jan, 2024

  • 通过扩散生成模型学习近似粒子平滑轨迹

    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

  • 用于单颗粒扩散轨迹分析的机器学习解决方案

    单粒子追踪、扩散运动机制、随机机制、机器学习技术与可解释性。

    Aug, 2023

  • D3AD：动态去噪扩散概率模型用于异常检测

    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。

    Jan, 2024

  • 扩散概率场

    本文介绍了一种新的扩展 Diffusion probabilistic models 方法的方法 Diffusion Probabilistic Fields (DPF), 可用于在度量空间中学习定义为连续函数的概率分布，通过将场参数化作为一种显式形式来解决以前方法的问题。与以前的方法相比，DPF 在处理 2D 图像、3D 几何等不同模态以及定义在非欧几里德度量空间上的领域上的分布时表现出色。

    Mar, 2023

  • GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测

    通过引入合成异常样本和空间自适应特征融合方案，本文提出了一种全局和局部自适应扩散模型（GLAD）用于无监督异常检测，增加了灵活性并实现了无异常的重构，同时保留了尽可能多的正常信息。

    Jun, 2024

  • 随机正常 - 异常运输的深度分解

    使用基于随机对流 - 扩散方程的机器学习模型，通过传输速度、扩散和异常值分解，可区分正常和异常的对流扩散行为，成功地检测中风患者的异常区域和恢复其下层速度和扩散张量字段。

    Nov, 2021

  • 基于二维化序列的多尺度融合故障诊断方法在复杂场景中的应用

    本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法，用于滚动轴承的异常检测，具有可行性和工业部署的潜力。

    Apr, 2023

  • 医学异常检测的扩散模型

    我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。

    Mar, 2022