Nov, 2023

隐私敏感推荐系统的多分辨率扩散

PDF
TL;DR使用基于评分的扩散推荐模型（SDRM）可以生成逼真的合成数据，用以保护用户隐私或解决数据稀疏的问题，并在替代或增补原始数据时相对其他模型提高了 4.30% 的召回率（Recall@$n$）和 4.65% 的 NDCG@$n$。
recommender systemsprivacysecuritysynthetic datagenerative ai
发现论文，激发创造
  • RecDiff: 社交推荐的扩散模型

    社交推荐是一种利用用户之间的社交连接，如在线社交平台中观察到的关注和朋友关系，增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff，通过在压缩和稠密的表示空间中进行多步噪声扩散和去除，识别和消除用户表示中的噪声，从而显著提高推荐准确性。实验证明了该框架在推荐准确性、训练效率和去噪效果方面的优越性。

    Jun, 2024

  • 基于对抗蒸馏的计算机辅助设计：逼真三维生成

    利用预训练扩散模型的一种新型学习方法，直接在对抗性的方式下对多视图渲染与扩散先验之间的分布差异进行建模，从而实现了高保真度和逼真度的三维内容生成，条件为单张图像和提示。通过利用生成对抗网络（GANs）的潜在空间和表达力丰富的扩散模型先验，我们的方法促进了各种三维应用，包括单视图重建、高多样性生成和开放域中的连续三维插值。实验结果表明，与以往的工作相比，我们的流程在生成质量和多样性方面表现出更强的优势。

    Dec, 2023

  • 使用扩散模型综合混合类型的电子健康记录

    使用扩散模型生成混合类型的电子病历在数据质量、效用和增强方面超过其他现有模型，但在隐私方面存在同质化风险。

    Feb, 2023

  • 扩散模型实现逼真噪声合成

    该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

    May, 2023

  • 基于评分的扩散模型的公平数据生成

    通过使用扩散模型为基础的框架 FADM，本文提出了一种从存在偏见的数据集中生成全新的、公平的合成数据，而不是直接引入公平学习算法来解决人工智能决策公正性问题。实验证明，FADM 在下游任务中表现出更好的准确性和最佳的公平性，同时允许对生成样本的类别进行灵活控制。

    Jun, 2024

  • 关于扩散模型在合成训练数据集中的限制

    通过分析真实样本复制过程中通过扩散和反向过程重建的合成样本，我们发现现代扩散模型不能完美地代表数据分布以用于训练鉴别性任务，这意味着合成数据集在分类性能上不如真实数据集。我们的研究结果表明，合成数据在增加反向步骤时集中于训练数据分布的模式，难以覆盖分布的外边缘，因此现代扩散模型在复制训练数据分布方面还有改进的空间。

    Nov, 2023

  • 基于扩散模型的数据扩充技术

    DistDiff 是一种基于分布感知扩散模型的有效数据扩充框架，通过构建分层原型来逼近真实数据分布，优化扩散模型中的潜在数据点，实现生成与目标分布一致的样本，从而在数据扩充任务中取得显著的改进。

    Mar, 2024

  • DP-RDM：无需微调将扩散模型应用于私有领域

    发展首个具有可证明的隐私保证并能生成高质量图像样本的差分隐私检索增强生成算法，通过在文本提示中引入从私有检索数据集检索的样本，无需在检索数据集上微调，利用先进的生成模型生成高质量图像样本，并提供隐私保证。

    Mar, 2024

  • 视觉中的生成人工智能：模型、度量和应用的综述

    这篇综述论文提供了关于生成式 AI 扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。

    Feb, 2024

  • 扩增模型与检索中的数据增强视角

    本文系统评估了扩散模型生成图像的现有方法，并研究了新的扩展方式以评估它们对数据增强的益处。作者发现，将扩散模型个性化到目标数据的方法优于简单的提示策略，但使用扩散模型的训练数据，通过简单的最近邻检索程序，直接提高下游性能。此项研究揭示了扩散模型在数据增强方面的局限性，同时也突显了其在生成新训练数据方面的潜力，以提高在简单的下游视觉任务中的性能。

    Apr, 2023