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

本研究提出了一种基于条件扩散模型的定制化负荷曲线合成方法，支持异质性用户的生成以及根据其应用需求的独特负荷曲线。实验结果验证了该方法的有效性和优越性。

Apr, 2023

该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

May, 2023

本文提出使用去噪扩散模型的内部表示来适应新条件，以解决向这些模型提供条件信息的难题，并演示如何使用生成的合成图像增强Tiny ImageNet训练集从而提高ResNet基线的分类精度。

Jun, 2023

利用流水、扩散或自回归神经网络等生成模型进行的抽样分析工作，发现在某些参数范围内，这些方法可能无法高效抽样，而标准的Monte Carlo或Langevin方法则可行。然而，在其他参数范围内，这些生成模型的方法效果更好，而标准方法却低效。

Aug, 2023

通过基于分数的逆扩散算法生成的高质量样本提供了证据，表明尽管遭受维度灾难的困扰，用于降噪训练的深度神经网络（DNN）可以学习高维密度。然而，关于训练集记忆化的最近报导引发了一个问题，即这些网络是否正在学习数据的“真实”连续密度。在本文中，我们展示了在非重叠的数据集子集上训练的两个降噪DNN学习到几乎相同的评分函数，从而学习到相同的密度，并且只需要非常少的训练图像。这种强大的泛化表明DNN架构和/或训练算法中的强大归纳偏差与数据分布的特性相一致。我们通过对这些内容进行分析来证明这一点，证明了去噪器在适应底层图像的基础上执行了一个收缩操作。对这些基础的检查揭示了轮廓线和均匀图像区域中的振荡谐波结构。我们通过证明即使在训练于低维流形等图像类别的情况下，这些经过训练的去噪器也会生成这种几何自适应谐波表示来表明它们在归纳偏差方面具有偏好。此外，我们还展示了当在已知最优基础为几何自适应谐波的常规图像类别上进行训练时，网络的去噪性能接近最优。

Oct, 2023

该论文介绍了一种名为 Denoising Diffusion Step-aware Models (DDSM) 的新型框架，通过使用一系列根据每个生成步骤重要性进行自适应调整的神经网络，以进化搜索的方式解决了生成过程中存在的整体网络计算的瓶颈问题，有效地提高了扩散模型的效率，并且可以与其他以效率为目标的扩散模型进行无缝集成，从而扩大了计算节约的范围，同时不影响生成质量。

Oct, 2023

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs在理想数据情况下胜过了等效的无信息神经网络（NNs），在10个线性间隔和10个均匀分布的随机训练点上的准确度分别提高了18倍和6倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs相对于NNs的准确度提高了9.3倍和9.1倍，分别对应于67个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为部署计算的基板。鉴于此，我们使用了一台PYNQ-Z1 FPGA进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

Mar, 2024

使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能，具有较低的Frechet Inception Distance（FID）得分和Kullback-Leibler divergence（KL散度）的减少。

Mar, 2024