Nov, 2023

基于扩散模型的脑驱动表示学习

PDF
TL;DR运用扩散概率模型 (Denoising diffusion probabilistic models) 和条件自编码器构建的新方法，在分析与言语相关的脑电信号方面取得了令人瞩目的结果，优于传统机器学习算法和基准模型，显示出扩散概率模型在语音相关脑电信号分析中的潜力，这可能推动针对口头交流的脑机接口的重要进展。
发现论文，激发创造
  • Diff-E：基于扩散的学习用于解码想象的言语脑电图

    通过使用 DDPMs 和条件自编码器 Diff-E 对 EEG 信号进行解码来实现想象语言，结果表明 Diff-E 相较于传统机器学习技术和基准模型，显著提高了解码 EEG 信号想象语言的准确性，这一发现表明 DDPMs 可以成为 EEG 信号解码的有效工具，具有潜在的用于通过想象语言进行交流的脑机接口的意义。

    Jul, 2023

  • 基于条件扩散模型合成事件相关电位范式的脑电图信号

    通过使用生成模型，特别是扩散模型，可以缓解脑机接口领域中的数据稀缺问题。我们通过引入一种新颖的有条件扩散模型，利用无分类器的指导来直接生成主题、会话和类别特定的脑电图数据。结果表明，该模型能够生成类似于真实数据的脑电图数据。

    Mar, 2024

  • 去噪扩散概率模型的生成型量子机器学习

    基于经典对应物，我们提出了量子去噪扩散概率模型（QuDDPM），以实现对量子数据的高效可训练生成学习。

    Oct, 2023

  • 扩散模型作为表示学习器

    通过深入研究 DPM 的表示能力，提出了一种名为 Repfusion 的新型知识迁移方法，该方法利用生成型 DPM 获取的知识用于识别任务，通过强化学习动态地根据不同的时间步骤从现成 DPM 中提取表示并作为学生网络的监督，实验证明此方法在多个任务中优于现有方法，揭示了 DPM 作为表示学习工具的潜力和生成模型在样本生成以外的用途。

    Aug, 2023

  • ClusterDDPM：一种带有去噪扩散概率模型的 EM 聚类框架

    利用新型的去噪扩散概率模型（DDPMs）引入创新的期望最大化（EM）框架进行聚类，通过优化学习聚类友好的潜在表示，有效地提高了聚类、无监督条件生成和潜在表示学习的性能。

    Dec, 2023

  • DreamDiffusion: 从脑电信号中生成高质量图像

    DreamDiffusion 提出了一种新的方式，可以直接从大脑的脑电信号中生成高质量的图像，同时克服了诸多挑战，并在神经科学和计算机视觉等领域有潜在应用。

    Jun, 2023

  • 硬件受损通信系统的去噪扩散概率模型：朝着无线生成 AI

    本文提出了基于去噪扩散概率模型的无线通信方案，旨在解决实际应用中的硬件损伤、信道失真和量化误差等非理想因素，提供低信噪比下的网络韧性、对不同硬件损伤水平和量化误差的近不变重建性能，以及抵抗非高斯噪声的强大分布外表现，并通过余弦相似度和均方误差（MSE）评估与传统深度神经网络（DNN）接收机相比的超过 25 dB 改进的重建性能。

    Oct, 2023

  • 扩散自编码器：走向有意义和可解码的表征

    本研究探索使用可扩散概率模型作为自编码器的解码器，让输入图像生成一个可以被意义化和解码的编码向量，该编码向量分为两部分：第一部分是含有语义的线性编码，而第二部分是建模随机变量的编码，提升了图像生成的质量并且在其他应用中可以用来做属性调整和去噪等任务。

    Nov, 2021

  • 解构用于自监督学习的去噪扩散模型

    我们研究了最初用于图像生成的去噪扩散模型（DDM）的表示学习能力。我们的研究目的是逐步分解 DDM，将其转化为经典的去噪自编码器（DAE）。我们观察到现代 DDM 的很少组件对于学习良好的表示是至关重要的，而许多其他组件则不是必要的。我们的研究最终提出了一种高度简化并在很大程度上类似于经典 DAE 的方法。我们希望我们的研究能够在现代自监督学习领域重新激发对经典方法家族的兴趣。

    Jan, 2024

  • 通过扩散模型实现语义图像合成

    本篇论文提出了一种基于 DDPM 的新型框架，用于语义图像合成，通过条件扩散模型来处理语义布局与噪声图像，而引入分类器自由的引导采样策略来进一步提高了生成质量和语义可解释性。

    Jun, 2022