时间序列预测中扩散模型的崛起
本文概述了 “扩散模型” 在图像合成、视频生成、分子设计等领域中的应用,并将相关研究分为三大类:高效采样、改进似然估计和处理具有特殊结构的数据。此外,还探讨了将扩散模型与其他生成模型相结合以获得更好结果的潜能,在计算机视觉、自然语言生成、时态数据模型等领域具有广泛的应用。本文旨在提供一个全面的扩散模型综述,指出其重点研究领域并指向未来的研究方向。
Sep, 2022
扩散模型是强大且通用的生成式人工智能技术,在计算机视觉、音频、强化学习和计算生物学等领域取得了巨大的成功。本文回顾了扩散模型的新兴应用,理解了它们在各种控制下的样本生成。同时,我们概述了现有的扩散模型理论,涵盖了它们的统计性质和采样能力。进一步地,我们评述了通过条件扩散模型进行高维结构化优化的新途径,将解决方案的搜索重新定义为条件采样问题,并通过扩散模型进行求解。最后,我们讨论了扩散模型的未来发展方向。本文旨在为刺激前瞻性的扩散模型理论和方法提供全面的理论介绍。
Apr, 2024
本篇综述论文全面而彻底地回顾了扩散模型在时间序列和时空数据分析中的应用,通过按照模型类别、任务类型、数据模态和实际应用领域进行分类,提供了对这些模型分析和生成数据的基本了解,旨在为研究人员和从业者提供一个全面的扩散模型应用的理解,以解决传统挑战并在扩散模型框架下探索创新解决方案。
Apr, 2024
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
本文对自然语言处理中的扩散模型进行了全面的综述,讨论了不同的模型形式、优势和局限性,以及自然语言生成、情感分析、主题建模和机器翻译等应用。与自回归模型相比,扩散模型具有在生成、插值、令牌级控制和鲁棒性方面的显着优势。未来的研究方向包括把 Transformers 和扩散模型更深层次的结合,发展具有优秀的 few-shot learning 能力的多模态扩散模型和大规模扩散语言模型。
May, 2023
本文综述了最近的扩散模型在结构化数据中的应用情况及相关研究工作,重点介绍了基于分数的扩散模型理论以及在数据驱动的常规任务和特定领域应用中采用结构化数据模型的先驱工作,分析和讨论了现有工作的局限性和挑战,并提出了潜在的研究方向。
Jun, 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
探索了无特定任务条件下以时间序列为基础的扩散模型,通过自我引导机制,在推理过程中对 TSDiff 进行条件处理,并且不需要辅助网络或改变训练程序。展示了方法在预测、细化和合成数据生成三个时间序列任务中的有效性。
Jul, 2023