May, 2024

Score-CDM: 分数加权卷积扩散模型用于多元时间序列补全

PDF
TL;DR使用得分加权的卷积扩散模型 (Score-CDM)，结合了得分加权的卷积模块 (SCM) 和自适应接收模块 (ARM)，以适应性地均衡局部和全局时间特征进行多变量时间序列 (MTS) 数据的不完全恢复，通过在时域和频域中捕捉全局和局部时间特征，通过广泛的评估验证了提出的 Score-CDM 的有效性。
multivariant time seriesmts imputationdiffusion modelscore-weighted convolutional diffusion modeltemporal feature learning
发现论文，激发创造
  • CSDI: 条件得分扩散模型用于概率时间序列插补

    本研究提出了基于条件分数扩散模型的时间序列插值方法，相较于现有概率插值方法以及现有确定性插值方法，该方法在医疗和环境数据方面表现优异，可以减少 5-20% 的误差，并可在时间序列内插值和概率预测中应用，具有广泛的应用前景。

    Jul, 2021

  • 基于分数的扩散模型用于加速 MRI

    该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

    Oct, 2021

  • 基于评分的表面冷扩散模型用于医学图像分割

    本研究提出了一种基于条件得分的生成建模框架，用于医学图像分割，该框架依赖于分割掩模的参数化表面表示。实验结果表明，与其他常用的图像分割模型相比，我们的模型在分割准确度方面表现出色，并且由于其生成性质，还能够估计分割的不确定性以进行进一步的分析。

    Dec, 2023

  • 基于分数扩散模型的条件图像生成

    本文研究使用基于得分的扩散模型进行深层生成建模的方法，系统比较和理论分析不同方法学习条件概率分布的效果，并证明得出条件得分最成功的估计器的理论依据。同时，介绍了多速度扩散框架，提出了一个新的条件分数估计器，与之前的最先进方法相当。伴随着本文的理论和实验研究是一个开放源代码库 MSDiff，可用于应用和进一步研究多速度扩散模型。

    Nov, 2021

  • 深度集合遇见分位回归：面向时间序列的不确定性感知填充

    我们提出了一种非生成时间序列插补方法，该方法通过深度集成与分位数回归相结合，在计算上更高效，并能够准确插补时间序列数据并估计不确定性。

    Dec, 2023

  • 一致性轨迹模型：学习扩散的概率流动 ODE 轨迹

    一篇研究论文介绍了一种名为 Consistency Trajectory Model（CTM）的模型，能够在扩散过程中进行无限制的时间遍历，并通过使用梯度评分和增强性对抗训练来提高性能，实现了在 CIFAR-10 和 ImageNet 上的高质量采样和新的最先进指标。

    Oct, 2023

  • SASDIM：一种自适应噪声缩放扩散模型用于空间时间序列填充

    提出了一种自适应噪声缩放扩散模型（SaSDim）来更有效地进行空间时序插补，利用新的损失函数对噪声进行缩放，提出跨时空全局卷积模块以更有效地捕捉动态时空依赖关系。通过与当前最先进的基线进行比较，在三个真实世界数据集上广泛进行的实验证实了 SaSDim 的有效性。

    Sep, 2023

  • CM-TTS：通过加权采样器和一致性模型提高实时文本合成效率

    通过引入连续时间扩散模型，CM-TTS 在不需要对抗训练或预训练模型依赖的情况下，在较少的步骤中实现了高质量的语音合成，通过动态概率设计加权采样器来确保整个训练过程的无偏学习。实验证实了 CM-TTS 相对于现有的单步语音合成系统的卓越性能，代表了该领域的重大进展。

    Mar, 2024

  • 基于二维卷积的时间序列数据多任务学习

    该研究探讨了多任务学习在时间序列分类问题中的应用，并提出了一种基于二维卷积的模型设计，通过增强模型的表达能力，在 UCR Archive 和一个工业交易时间序列数据集上取得了优于竞争方法的表现。

    Oct, 2023

  • 标签噪声鲁棒扩散模型

    使用 Transition-aware weighted Denoising Score Matching（TDSM）训练带有噪声标签的条件扩散模型，其中 TDSM 目标函数包含得分网络的加权和，并整合了实例级和时间相关的标签转移概率。通过在各种数据集和噪声标签设置上进行实验证明，TDSM 可以提高与给定条件相匹配的生成样本的质量，甚至在常见基准数据集上也能提高生成性能，从而证明了噪声标签对于生成模型学习的潜在风险以及 TDSM 在传统噪声标签修正的基础上进一步提高性能的实证贡献。

    Feb, 2024