XiaoMi-AI文件搜索系统
World File Search SystemDiffusion
时间序列预测中扩散模型的兴起
本调查深入研究了扩散模型在预测时间序列中的应用。扩散模型正在展示最新的生成AI领域。本文包含有关扩散模型的综合背景信息，详细介绍了其调理方法并审查其在预测时间序列中的用途。分析涵盖了11个特定的时间序列实现，其背后的知识和理论，对不同数据集的有效性以及彼此之间的比较。这项工作的关键贡献是对扩散模型在预测时间序列预测中的应用以及对这些模型的按时间顺序排列的概述中的应用。此外，本文对该领域的最新目前进行了深入的讨论，并概述了潜在的未来研究方向。这是研究人员在AI和时间序列分析中的宝贵资源，对扩散模型的最新进步和未来潜力提供了清晰的看法。
生成扩散模型中的记忆和正则化
摘要。扩散模型已成为生成建模的强大框架。该方法的核心是分数匹配：在不同尺度上，数据分布的嘈杂版本的对数密度的学习梯度。当使用经验数据而不是人口损失评估评分匹配中采用的损失函数时，最小化器对应于时间依赖的高斯混合物的得分。但是，使用此分析可牵引的最小化器会导致数据记忆：在无条件和条件设置中，生成模型都返回训练样本。本文包含对记忆潜在的动力学机制的分析。分析强调了避免重现分析可牵引的最小化器的正规化的必要性；而且，这样做的基础是对如何正规化的原则理解。数值实验研究了：（i）Tikhonov正则化的特性； （ii）旨在促进渐近一致性的正则化； （iii）通过训练神经网络的神经网络的参数不足或提早停止引起的正常化。这些实验是在记忆的背景下评估的，并突出了未来正规化发展的方向。
了解人工智能扩散框架
研究完整性通过我们的质量和客观性的核心价值以及我们对最高诚信和道德行为水平的坚定承诺来帮助通过研究和分析来帮助改善政策和决策的使命。为了帮助确保我们的研究和分析是严格，客观和无党派的，我们将研究出版物进行稳健而严格的质量保证过程；通过员工培训，项目筛查以及强制性披露政策，避免财务和其他利益冲突的外观和现实；并通过对我们的研究发现和建议的公开出版，披露已发表研究的资金来源以及确保智力独立性的政策来追求我们的研究参与的透明度。有关更多信息，请访问www.rand.org/about/research-integrity。
通过扩散模型对风味模型的分析
在对风味模型的常规分析中，参数的搜索空间通常仅限于一定范围，以在现实的计算时间内优化理论的参数。在本演讲中，我们提出了一种利用扩散模型的分析方法，该模型是一种生成人工智能。与常规方法相比，可以独立于模型的具体细节应用此策略。通过具体的示例，我们将根据基于反问题方法从鸟类的视图中评估风味模型的预测，在该方法中，机器生成了复制实验值的各种参数候选。
Uber国际扩散的制度条件...
本研究研究了促进了Uber国际扩散的因素，Uber是共享经济中增长最快的全球公司之一。我们特别关注该乘车共享平台可以在网上传播给客户的法律和机构条件。使用独特的跨国纵向数据集，我们采用事件历史模型来研究制度环境对Uber扩散的影响。结果表明，即使在控制经济和政治特征之后，法治的建立也会对Uber的传播产生积极影响。此外，政府对市场法规的总体质量与此乘车共享平台的扩散呈正相关。我们的研究通过确定能够使全球商业模式转变的关键制度因素来促进有关共享经济的新兴文献。
组合扩散 - 递延微结构成像
抽象的微观结构成像试图通过将数学建模与量身定制的MRI协议配对，以非侵入性测量和绘制微观组织特征。本文回顾了一种新兴范式，该范式有可能对组织微观结构进行更详细的评估 - 结合的扩散 - 重音图像学成像。组合扩散 - 重音测定采集在多维习得空间中改变了多个MR对比度编码（例如B值，梯度方向，反转时间和回声时间）。与合适的分析技术配对时，可以实现相关性和多个MR参数之间的耦合（例如扩散率，t 1，t 2和t ∗ 2）。这打开了解散多个组织室（在体素内）的可能性，这些组织隔室与单对比度扫描无法区分，从而使新一代的微观结构图具有改善的生物学敏感性和特异性。
用于异常检测的图形扩散模型
图上的异常检测重点是识别图形结构化数据中不规则的贴合或异常淋巴结，这显着偏离了规范。由于其在垃圾邮件检测，反洗钱和网络安全性等各个领域的广泛适用性，因此该领域的重要性很高。在图表上应用异常检测时，应对标签不平衡和数据不足所带来的challenges是显着的。生成模型（尤其是扩散模型）的最新扩散铺平了一种有希望的方式。在本文中，我们引入了潜在空间中的图扩散模型，该模型旨在减轻图表上异常检测中普遍存在的标签失衡问题。所提出的模型能够多任命生成图形结构和节点特征，并具有有条件的生成能力，仅产生积极的示例，从而减轻标签不平衡问题。我们改进了扩散模型，以应用于同质图和异质图。通过广泛的实验，我们证明了我们提出的方法对传统技术提供了显着改进。
双层一维对流 - 扩散 - 反应 -
摘要：本文对两层的一维传热问题进行了理论分析，其中涉及扩散，对流，内部热量产生或损失，依赖于每一层温度以及由于外部来源而产生的热量产生。此外，还考虑了材料之间界面处的热电阻。感兴趣的情况是数学建模的，使用傅立叶技术发现了显式的分析解决方案，并制定了收敛的有限差异方案以模拟特定情况。该解决方案与先前的结果一致。包括一个数字示例，该示例显示了所获得的结果与问题的物理学之间的连贯性。这项工作中得出的结论扩展了对两层传热的理论理解，也可能有助于改善多层工程系统的热设计。
SSM满足视频扩散模型
鉴于通过扩散模型在图像生成中取得的显着成就，研究界表明，对将这些模型扩展到视频生成的兴趣越来越大。视频生成的最新扩散模型主要利用注意层提取时间特征。但是，注意层受其记忆消耗的限制，这随序列的长度四倍增加。在尝试使用扩散模型生成更长的视频序列时，这一限制提出了重大挑战。为了克服这一挑战，我们提出了利用状态空间模型（SSM）。SSM最近由于其线性记忆消耗相对于序列长度而成为可行的替代方案。在实验中，我们首先使用UCF101（视频生成的标准基准）评估了基于SSM的模型。此外，为了调查SSM对更长的视频生成的潜力，我们使用Minerl导航数据集执行了一个实验，将帧数变化为64、200和400。在这些设置中，我们的基于SSM的模型可以为更长的序列节省内存消耗，同时将竞争性的FVD分数保持在基于注意力的模型中。
exvideo：扩展视频扩散模型
最近，视频合成的进步引起了极大的关注。视频综合模型（例如AnimateIff和稳定的视频扩散）已经证明了扩散模型在创建动态视觉内容时的实际适用性。Sora的出现进一步介绍了视频生成技术的潜力。尽管有进步，但视频长度的扩展仍受到计算资源的限制。大多数现有的视频综合模型仅限于生成简短的视频剪辑。在本文中，我们提出了一种新型的视频合成模型的调节后方法，称为exvideo。这种方法旨在增强当前视频合成模型的能力，使它们能够在延长的时间持续时间内生成内容，同时产生较低的培训支出。尤其是我们分别设计了跨常见的时间模型体系结构的扩展策略，包括3D综合，时间关注和位置嵌入。为了评估我们提出的调整后方法的功效，我们训练了EXSVD，这是一种基于稳定的视频扩散模型的扩展模型。我们的方法增强了该模型最多生成5倍帧数的能力，仅需在包含40k视频的数据集上进行1.5k GPU小时的培训。重要的是，视频长度的实质性增加不会损害模型的先天概括功能，并且该模型在生成各种样式和决议的视频方面具有优势。我们将公开发布源代码和增强模型1。