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。

Sep, 2023

本文提出了一种基于扩散模型的非监督超光谱图像 (HSI) 特征学习框架 Diff-HSI，其可以利用时间步长性质捕捉更丰富的特征，设计了一个时间步骤的特征库和动态特征融合模块，最后实现了 HSI 分类。在三个公共 HSI 数据集上进行的广泛实验证明，Diff-HSI 优于各种现有的监督和非监督 HSI 分类方法。

Jun, 2023

扩散模型在多元时间序列异常检测中显示出潜力，通过比较基线模型和使用 ROCK-AUC 指标扩展的 PA% K 协议，在合成数据集上表现优于其他模型，在真实世界数据集上表现竞争力。

Nov, 2023

本文提出了一种新的 Multiresolution Fractal Deep Neural Network (MFDNN) 模型与计算实现，该模型通过分析大量的 MRI 图像数据来估计肿瘤组织的深度多分辨率分形纹理特征，其在异常脑组织分割方面的表现优于或可与文献中现有的最先进方法相媲美。

Jun, 2023

我们提出了一种受扩散模型启发的深度随机特征模型，它具有可解释性，并给出了与具有相同可训练参数数量的全连接神经网络相当的数值结果。我们通过对采样数据分布和真实分布之间的得分匹配性质的属性来推导了随机特征的泛化界限，并通过在时尚 MNIST 数据集和乐器音频数据上生成样本来验证我们的发现。

Oct, 2023

通过中国境内实时 COVID-19 数据集，采用 ArcGIS 技术和盒计数方法，本文探索了 COVID-19 大流行在中国的空间扩散模式中的多重分形缩放及其演化特征，发现 COVID-19 在中国呈多分形分布，其空间扩散过程经历了四个阶段，即初始阶段、快速扩散阶段、分级扩散阶段和最终的收缩阶段；结果提示多重分形理论有望用于表征 COVID-19 大流行的时空扩散，推测对其他疾病的研究也有指导意义。

Oct, 2020

本文研究数据分析中的低维数据表示问题，提出了一种名为扩散映射的算法，能够将复杂高维数据嵌入低维欧几里得空间，从而实现长时间演化系统的高效识别与聚类分析。

Mar, 2005

傅里叶分析和扩散模型之间存在重要的协同关系，通过在频域表示时间序列，频率扩散模型能更好地捕捉训练分布，进行了经验证实的评估。

Feb, 2024

通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

Sep, 2023

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