Generative Time Series Forecasting with Diffusion,Denoise, and Disentanglement 阅读笔记

最新推荐文章于 2024-05-28 16:18:14 发布
最新推荐文章于 2024-05-28 16:18:14 发布
阅读量216 收藏
点赞数
文章标签： 笔记 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42649288/article/details/132777030
版权

Intro

时间序列预测：输入一段时间序列预测未来的时间序列。

在现实世界中，数据存在各种噪声，input有噪声，output也有噪声

如何减少这些噪声的影响，本文在用diffusion过程来序列进行建模，分离出去噪的原始数据。并且采用DSM进一步对output进行去噪

method

Coupled Diffusion Probabilistic Model

为什么耦合，因为他们的扩散过程的参数是相关的

Bidirectional Variational Auto-Encoder

进行特征提取

Scaled Denoising Score Matching for Diffused Time Series Cleaning

因为扩散过程得到的Y可能偏向更大的噪声，要限制偏离程度

在测试集中：

Disentangling Latent Variables for Interpretation

为了增强模型的可解释性，对提取的变量进行分解，最小化Total Correlation实现

训练的loss

这一部分是为了使得预测的分布接近label得分布

算法

实验结果

2个假数据，6个真数据集

大模型联邦学习
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement
小蚂蚁与大象
11-26 1092
具体地，提出一种耦合扩散概率模型，在不增加任意不确定性的情况下对时间序列数据进行增强，并利用BVAE实现更易于处理的推理过程。此外，为了增强预测的可解释性和稳定性，以多元的方式处理潜变量，并在最小化总相关性的基础上解缠它们。在这项工作中，我们采用了一种更有效的生成模型，即双向变分自动编码器(BVAE)[89]，以取代扩散模型的反向过程。•我们提出了一种耦合扩散概率模型，旨在降低时间序列的任意不确定性，提高生成模型的泛化能力。•我们对生成模型的潜在变量进行解纠缠，以提高时间序列预测的可解释性。
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
热门推荐
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
论文里的好句子（5）
weixin_45193103的博客
12-17 391
具体而言，提出了一种耦合扩散概率模型，在不增加随机不确定性的前提下对时间序列数据进行扩充，并利用BVAE实现了更易处理的推理过程.为了保证生成的序列更接近真实目标，我们进一步提出了将多尺度去噪得分匹配融入到扩散过程中进行时间序列预测.此外，为了提高预测的可解释性和稳定性，我们以多元方式处理潜在变量，并在最小化总相关性的基础上将它们分开。时间序列预测是一个广泛研究的课题，在许多应用中具有重要意义。扩散、去噪和解纠缠的生成时间序列预测。
AAAI2020论文列表（中英对照）
dovings的博客
07-04 5688
AAAI2020论文列表（中英对照）
2023 推荐系统论文整理
卢之
04-14 6595
对2023年的推荐系统论文进行一波收集，给各位做灵感。
CVPR2020论文列表（中英对照）
dovings的博客
07-04 9022
CVPR论文列表，中英对照
CVPR2021论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
【AAAI 2020】全部接受论文列表（三）
yinizhilianlove的博客
01-22 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-01-09     今年共收到的有效论文投稿超过 8800 篇，其中 7737 篇论文进入评审环节，最终收录数量为 1591 篇，收录率为 20.6%， 虽然今年 AAAI 论文收录率的分母要比去年的 7700 篇多上 1100 余篇，但是整体收录数量比去年的 1150 篇多出不...
《A Generative Adversarial Model for Right Ventricle Segmentation》阅读笔记
01-06
本文主要讲了以下两点： （1）基于FCNN网络（就是我们平时所说的FCN），集成了三个概念：卷积门控递归单元（C-GRU），生成对抗网络（GAN）和L1损失函数。 （2）ROI-GAN：通过结合全局（全分辨率）和局部感兴趣区域...
【论文笔记】Joint Discriminative and Generative Learning for Person Re-identification
01-06
Joint Discriminative and Generative Learning for Person Re-identification arXiv:1904.07223v2 [cs.CV] 22 May 2019 注：限于作者水平，本笔记难免存在不妥之处，欢迎批评指正 摘要 以往的方法生成数据流程与...
CVPR 2022 Tutorial Denoising Diffusion-based Generative Model
11-11
全称：Denoising Diffusion-based Generative Modeling: Foundations and Applications 简介：去噪扩散模型，最近已成为一类强大的生成模型。它们在高保真图像生成方面表现出惊人的结果，通常甚至优于生成对抗网络。...
Generative and Discriminative Classifiers: Naive Bayes and Logistic Regression
09-29
机器学习第二版中Tom准备增加的内同，关于生成模型、判别模型以及朴素贝叶斯和逻辑回归的介绍，在作者主页下载的
Generative Agents文献阅读与分析
10-02
内容概要：Generative Agents是斯坦福相关团队借助大语言模型(LLM)创建的”代理“(或称为”智能体“)，通过搭建沙盒环境对25个Agents的行为进行模拟仿真，实验表明其能够产生可信的人类行为。Agents从一段描述开始，...
Git笔记
985小菜鸡
05-21 376
完成以上步骤后，您的本地项目应该已经成功上传到 GitHub 仓库中了。您可以在 GitHub 网站上查看并访问您的项目。，如果您使用的是其他分支，请将其替换为您的分支名称。这里假设您的本地分支是。
Linux学习笔记（二）
最新发布
weixin_42515203的博客
05-28 196
Linux的学习笔记
【加密与解密（第四版）】第四章笔记
m0_58213960的博客
05-21 734
x64系统通用寄存器的名称，第1个字母从“E”改为“R”(例如“RAX”)，大小扩展到 64 位，数量增加了8个(R8~R15)，扩充了8个128位XMM寄存器(在64位程序中，XMM寄存器经常被用来优化代码)。64位寄存器与x86下的32位寄存器兼容，例如RAX(64位)EAX(低32)、AX(低16位)、AL(低8位)和AH(8~15位)。x64新扩展的寄存器高低位访问，使用WORD、BYTE、DWORD后级，例如R8(64位)R8D(低32位)、R8W(低16位)和R8B(低8位)。
Vue学习笔记3——事件处理
qq_44778824的博客
05-22 425
尽管我们可以直接在方法内调用，但如果方法能更专注于数据逻辑而不用去处理DOM事件的细节会更好。)来监听DOM事件，并在事件触发时执行对应的JavaScript。// 读取data里面数据的方法：this.count。// 所有方法或者函数都放在这里,跟data同级。为解决这一问题，Vue 为。对象和通过事件传递数据。
[BT]小迪安全2023学习笔记（第27天：Web攻防-SQL数据类型注入）
Bluetuan的博客
05-23 266
在SQL中，数字可以不需要单引号，但是字符串需要单引号闭合（不然识别不了）
generative aspect-based sentiment analysis with contrastive learning and exp
01-13
综上所述，generative aspect-based sentiment analysis with contrastive learning and exp的方法可以帮助我们更准确地识别和生成文本中的情感内容，并且能够更好地适应不同类型文本的情感分析和生成任务。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值