Dec, 2023

考虑不确定性的代理模型用于具有去噪扩散概率模型的翼型流动模拟

PDF
TL;DR利用去噪扩散概率模型 (DDPMs) 训练一种具有不确定性意识的代理模型用于湍流仿真，结果表明 DDPMs 能够成功捕捉解的完整分布并准确估计仿真的不确定性。与贝叶斯神经网络和异方差模型相比，DDPMs 在各种准确性指标上表现更好，并提供完整的不确定性分布，从而能够生成真实和详细的解分布样本。
发现论文，激发创造
  • 改进降噪扩散概率模型

    通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。

    Feb, 2021

  • 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

  • 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

  • 双边去噪扩散模型

    该论文提出了新的双边去噪扩散模型（BDDMs）来提高样本生成的质量和速度，其可以更加高效和简单地训练，以及进一步优化先前训练好的模型。

    Aug, 2021

  • 超越 U：打造更快速、更轻量级的扩散模型

    利用连续动力系统设计一种新型去噪网络，以提高扩散模型的参数效率、收敛速度和噪声鲁棒性。与基准模型相比，该模型具有约四分之一的参数量和百分之三十的浮点操作数（FLOPs），推理速度提高了 70％，并且收敛到了更好的质量解。

    Oct, 2023

  • 六个简单步骤的去噪扩散概率模型

    通过六个简单步骤清晰陈述，简化并阐明噪声扩散概率模型（DDPM）的构建及其工作原理。

    Feb, 2024

  • 非线性系统的去噪扩散控制

    我们提出了一种基于去噪扩散概率模型（DDPMs）的新方法来控制非线性动力系统。我们将反馈控制问题作为一个从目标集合中绘制样本的生成任务，并且通过 DDPMs 的正向过程以添加噪声的方式构造起源于目标集合的轨迹。我们学习使用反向方法来控制动力系统，以使最终状态属于目标集合。对于无漂移的控制仿射系统，只要存在基于李括号的可控性条件，我们证明控制系统可以完全追踪正向过程的轨迹。我们在各种非线性系统上进行数值研究并验证了我们的理论结果。此外，我们还在物理引擎上进行了超出我们理论结果的数值实验。

    Feb, 2024

  • UDPM: 上采样扩散概率模型

    本文介绍了一种基于 Markovian 过程的 Upsampling Diffusion Probabilistic Model（UDPM），相较于传统的 Denoising Diffusion Probabilistic Models（DDPM），它在降低潜变量维度的同时，仅需 7 个扩散步骤即可生成 $256 imes 256$ 的高清图像。

    May, 2023

  • 离散状态空间中的结构去噪扩散模型

    本文提出了离散去噪扩散概率模型（D3PM），用于离散数据的扩散式生成模型，包括了仿真高斯核、嵌入空间中基于最邻近、引入吸收状态等过渡矩阵。研究表明过渡矩阵的选择对图像和文本领域下的生成模型结果至关重要，且提出的新损失函数在字符级别文本生成上取得了很好的效果。

    Jul, 2021

  • 概率能源预测的去噪扩散概率模型

    本文提出了基于去噪扩散概率模型的深度学习生成方法，首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明，这种方法与其他最先进的深度学习生成模型竞争力相当。

    Dec, 2022