May, 2024

释放扩散模型在不完整数据填充方面的潜力

PDF
TL;DRDiffPuter 是一种迭代方法，利用期望最大化算法和扩散模型进行缺失数据填补，其通过将缺失数据视为可在模型训练过程中更新的隐藏变量，并将缺失数据填补任务作为 EM 问题来处理。DiffPuter 通过扩散模型来学习观测到的数据和当前估计的缺失数据的联合分布，然后根据给定观测数据的条件概率利用在 M-step 学习的扩散模型重新估计缺失数据，通过这个迭代过程，DiffPuter 逐步改进了完整数据分布，产生了对缺失数据越来越准确的估计，理论分析和实证评估表明 DiffPuter 的优越性，与 16 种不同的填补方法相比，在 10 个不同的数据集上，DiffPuter 的 MAE 平均改善了 8.10％，RMSE 平均改善了 5.64％。
diffputermissing data imputationexpectation-maximization algorithmdiffusion modelsimprovement
发现论文，激发创造
  • 一种基于期望最大化算法的从损坏观测中训练清洁扩散模型

    本文提出一种基于期望最大化 (EM) 方法的 EMDiffusion 训练扩散模型的方法以从损坏的观测中恢复图像，通过该方法，我们在各种计算成像任务上进行了广泛实验，包括随机修补、降噪和去模糊，达到了新的最先进性能。

    Jul, 2024

  • 表格数据中的缺失值插值扩散模型

    本文提出了一种用于 Tabular 数据的基于条件分数的扩散模型方法（TabCSDI），并研究了热点问题中的三种处理技术。实验结果表明与现有方法相比，TabCSDI 是有效的，同时也强调了分类嵌入技术的重要性。

    Oct, 2022

  • 通过期望最大化从观测中学习扩散先验

    通过期望最大化算法基于不完整和噪声观测的训练扩散模型，以获得适用于下游任务的正确扩散模型。

    May, 2024

  • MissDiff：在带有缺失值的表格数据上训练扩散模型

    这项工作提出了一个统一且原则性的扩散式框架，用于在各种缺失机制下从数据中学习丢失值，并通过多个制表符数据集的评估证明了其优于当前最先进的扩散模型。

    Jul, 2023

  • ImDiffusion: 多元时间序列异常检测用填充扩散模型

    该研究提出了一种使用时间序列插补和扩散模型相结合的新型异常检测框架 ImDiffusion，用于准确和可靠地检测多元时间序列数据中的异常数据，该框架在基准数据集上的广泛实验中表现出较高的检测准确性和时效性，是一种开创性的方法。

    Jul, 2023

  • DiffImpute：具有去噪扩散概率模型的表格数据填充

    DiffImpute 是一种新颖的去噪扩散概率模型（DDPM），它能针对缺失值进行可信的填充，通过四个针对表格特征的去噪网络和数据融合来提升观测和填充数据的一致性，实现有效的推理，显著优于其他方法。

    Mar, 2024

  • 基于扩散的 Microsoft 365 时间序列数据填充

    通过数据插值来提高数据质量，以改善下游故障预测任务的性能。

    Aug, 2023

  • 快速扩散 EM：用于盲反问题的扩散模型及其在去卷积中的应用

    使用扩散模型解决逆问题是一个增长迅速的研究领域。我们设计了一种基于期望最大化（EM）估计方法和扩散模型的算法，通过近似计算扩散模型的样本绘制的逆问题的期望对数似然，以及最大化步骤来估计未知的模型参数。我们还引入了一种基于 Plug & Play 去噪器的新型模糊核正则化方法。通过对盲目图像去模糊进行广泛实验证明了我们的方法与其他最先进方法相比的有效性。

    Sep, 2023

  • 数据库内数据填充

    通过在数据库系统中使用 MICE 方法，本研究实现了高效、高质量和可扩展的数据填充，充分利用计算共享和环形抽象技术以加快模型训练并在 PostgreSQL 和 DuckDB 中取得了比其他 MICE 实现和基于模型填充技术快两个数量级的计算时间，同时保持了高水平的填充质量。

    Jan, 2024

  • 一步扩散模型的 EM 蒸馏

    通过 EM Distillation 方法，将扩散模型精简至一步生成器模型，以最小损失的感知质量学习最大似然，提高了在 ImageNet-64 和 ImageNet-128 上的 FID 评分，并优于先前在文本到图像扩散模型提取方面的工作。

    May, 2024