跳到正文

算法、任务与模态

Diffusion 最新动态

Diffusion 研究索引；按可核对的标签归档，不以热度评价质量。

208 条精选近 30 天 104 条共收录 258 条

更新

精选归档 · 第 11 页

2月23日周四第 201–208 条
  1. OpenReview · State space models74

    基于扩散与结构化状态空间模型的时间序列插补和预测

    基于摘要分析。本文研究时间序列缺失值插补，并涉及预测任务，提出 SSSD，将条件扩散模型与结构化状态空间模型结合，用于生成式插补及捕获时间序列中的长时依赖。 机制上，扩散模型承担生成建模，结构化状态空间模型作为内部架构处理时序依赖。摘要未说明具体条件输入、扩散过程、损失函数、训练方式及预测任务的实现，相关细节尚未验证。 作者报告，在多种数据集和缺失情景下，SSSD 的概率插补与预测表现达到或超过既有先进方法，包括具有挑战性的 blackout-missing 情景；作者称此前方法在此类情景下未能提供有意义的结果。摘要未列出数据集、缺失比例与生成规则、划分方式、对照基线或具体指标，因此不能据此量化优势或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中的连续缺失片段仍可由可见时序上下文约束，这种生成式插补与长时依赖建模的组合可能用于信号修复；原领域结果不等于 BCI 有效性证据。可考虑复用扩散与状态空间建模组件，但需核对并改造多通道条件输入、缺失掩码及采样率适配。低信噪比、跨被试差异、通道布局变化和小数据可能使模型生成平滑但不真实的波形，甚至改变任务相关特征。 一个可检验的小实验是假设：在固定 EEG 被试内训练与测试划分后，仅对测试记录施加预设长度的连续缺失，与简单插值及适配的时序插补基线比较重建误差、频谱保真度和下游任务性能，并单独检查生成片段的不确定性。已有 EEG 相关工作尚未检索确认；复现所需代码、配置及计算资源也尚未验证。

    阅读价值：值得关注 SSSD 将条件扩散与结构化状态空间模型结合以处理长时依赖及 blackout-missing 缺失的机制，但其性能优势和对 EEG 缺失修复的适用性仍需核对实验协议并独立验证。

1月1日周日
  1. OpenReview · State space models70

    基于结构化状态空间模型的扩散式条件 ECG 生成

    基于摘要分析（仅提供 Highlights，未取得论文全文）。本研究面向心电图（ECG）合成，使用结构化状态空间模型支持扩散生成，并以 71 种 ECG 描述作为条件，目标是生成符合指定心电特征的信号；研究对象不是 EEG 或 BCI。 方法层面，材料明确了条件生成、扩散模型与结构化状态空间模型的组合，但尚未说明条件编码方式、状态空间模块在生成模型中的位置、训练目标及采样流程。71 种 ECG 描述的定义、组合方式与标注来源也尚未验证。 作者报告，所提模型在多种指标上优于 GAN-based models，并称其达到当前最优水平；但所用数据集、数据划分、对照模型、指标名称及具体数值未在材料中提供，因而无法判断优势幅度或比较条件。作者还报告，类别插值与 ECG 领域知识一致，心脏科医生参与的图灵测试支持生成样本具有较高质量；评估人数、盲法、判断任务与统计信息尚未验证。 阅读与复现时需核对条件一致性、信号质量的评价方法，以及训练数据和生成样本的关系。实验协议、消融及统计信息尚未验证。现有材料不足以建立具体的 EEG/BCI 迁移机制，因此不将 ECG 生成结果视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以结构化状态空间模型支持条件扩散生成 ECG 的方法组合，以及类别插值与心脏科医生评估提供的验证线索，但性能优势及评估协议尚需全文核对。

  2. OpenReview · State space models76

    基于扩散与结构化状态空间模型的条件 ECG 生成

    基于摘要分析。该研究面向敏感健康数据共享中的隐私问题，提出 SSSD-ECG，将扩散模型与结构化状态空间模型结合，以超过 70 种 ECG 描述作为条件生成合成 12 导联 ECG。主要研究对象是心电信号生成，而非 EEG 解码或 BCI。 机制与对照：扩散模型承担生成建模，结构化状态空间模型用于捕捉时间序列的长期依赖。针对可靠条件生成基线不足的问题，作者还将两个先进的无条件生成模型改造为条件生成版本。具体条件编码、扩散损失、网络结构、采样流程与基线名称未在摘要中给出，尚未验证。 评估与结果：作者使用预训练分类器评估生成数据，并考察仅用合成数据训练分类器的表现；在这些评估框架下，作者报告 SSSD-ECG 明显优于其 GAN 类竞争方法，但摘要未提供指标数值、数据集、划分及分类器测试集细节。作者还报告通过条件类别插值和临床图灵测试支持生成样本在多种条件下的质量。实验协议、消融及统计信息尚未验证；生成质量评估本身不等于隐私保护保证。 平台推测（待验证）：其可迁移机制是利用条件扩散合成多通道时序，并借助状态空间模型表达长期依赖。假设目标 EEG 数据具有足够的标注样本及一致的通道布局，可探索其对小数据条件下训练样本不足的帮助；可复用的是生成建模与时序建模思路，需改造的是通道表示、任务条件及评估方式。低信噪比、跨被试差异、通道变化与小样本可能使模型复制噪声或被试特征，而非生成可泛化的任务信息。一个可检验的小实验是在固定跨被试划分中仅用训练被试拟合生成器，对比真实数据训练与加入合成数据后的同一解码器表现，测试被试不参与生成器训练。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其将条件扩散与结构化状态空间模型结合用于多导联 ECG 合成，并从预训练分类器、纯合成数据训练及临床图灵测试等角度评估生成质量；其对 EEG/BCI 的适用性尚未验证。

  3. OpenReview · State space models71

    基于模型的潜在空间上的去噪扩散模型

    基于摘要分析。该研究的主要对象是图像生成：以传统有损图像压缩技术构建的模型式编码替代预训练自编码器的潜在编码，探索降低扩散生成的计算成本及潜在空间生成的适用边界。贡献还包括在离散空间内训练连续扩散模型的一种近似方案，以及面向类别值的生成模型改进。 技术机制：作者以潜在空间扩散为出发点，指出预训练自编码器可通过空间压缩和舍弃不可感知的图像细节降低生成建模难度；本文进一步改用基于传统压缩技术的编码方案。这里的“model-based”指编码方式，摘要并未说明采用何种状态空间模型，也未给出具体压缩算法、离散表示、近似公式、损失函数及类别值建模细节，因此不能据此还原实现。 证据与复现：作者报告在所研究问题上取得良好结果，并认为方法有望适用于图像之外的数据类型；摘要未提供可核对的指标、数据集、对照基线或资源测量条件。生成质量与计算开销之间的权衡、压缩失真影响、实验协议、消融及统计信息尚未验证。复现需取得全文，确认编码与解码流程、量化设置、扩散训练及采样方式，并在一致评估条件下比较质量和资源开销。 平台推测（待验证）：若迁移至 EEG，可检验的假设是以适配时序信号的压缩及离散表示降低生成成本，而不是直接套用图像编码器。可能复用的是离散空间中的扩散训练思路，需要改造的是信号表示与失真约束；低信噪比、通道差异、跨被试变化及小数据可能使压缩误删任务相关信息。一个小实验是在固定被试内数据划分和生成模型预算下，比较原始表示与压缩表示的生成质量、任务信息保留及资源开销。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是以传统有损图像压缩编码替代预训练自编码器、并在离散潜在空间中训练扩散模型的机制与计算收益，但摘要不足以验证生成质量、资源开销或 EEG 迁移价值。

  4. OpenReview · Representation learning77

    SODA：用于表征学习的瓶颈扩散模型

    SODA 研究如何让扩散模型不仅生成图像，还能通过自监督学习获得视觉语义表征；其核心是以紧信息瓶颈连接图像编码器与去噪解码器，并用相关新视图的生成作为学习目标。基于摘要分析，未取得论文全文。 机制上，图像编码器将源视图压缩为紧凑表征，再由该表征引导去噪解码器生成相关的新视图。作者提出，瓶颈约束与新视图合成目标的结合可以促使模型在无监督条件下捕获视觉语义，而不只是完成图像生成。摘要未提供具体损失形式、瓶颈容量、视图构造方式或训练规模，这些实现条件尚未验证。 作者报告，SODA 能在 ImageNet 上完成 linear-probe classification，并在多个未具名数据集上执行重建、编辑与合成任务；摘要未给出分类分数、数据划分或对照基线。作者还报告，其潜在空间呈现解耦特性，可作为控制和修改生成图像的接口。关于“首个成功完成 ImageNet 线性探测分类的扩散模型”的表述属于作者据其所知提出的优先性主张，尚未独立核实。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，通过压缩源观测并生成语义相关观测，促使 EEG 表征保留任务信息而非局部噪声。原机制依赖图像视图之间的语义关联；迁移时可借鉴编码器—瓶颈—条件去噪结构，但需重新定义 EEG 的有效视图、信号解码器及条件输入。低信噪比、通道差异与跨被试变化可能使模型学习噪声或身份特征，小数据也可能不足以支撑生成训练。可先在固定被试内划分、避免同一试次跨训练与测试集的条件下，对照紧瓶颈与宽瓶颈版本，冻结编码器后用同一线性分类器评估表征，以检验瓶颈是否有益；这不是已证实的 BCI 效果。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其紧信息瓶颈与新视图合成目标如何促使扩散模型学习可线性评估的视觉表征，但该机制对 EEG 表征学习的适用性尚未验证。

6月14日周二
  1. OpenReview · Representation learning77

    基于扩散的表征学习

    基于摘要分析。本文研究如何让扩散生成模型在不使用监督信号的情况下学习表征，核心贡献是扩展 denoising score matching（去噪得分匹配）框架，使表征编码去噪所需的信息，而非像 GANs 和 VAEs 那样直接将潜在编码映射为数据样本。原论文主要面向通用表征学习及图像下游任务，并非 EEG 或 BCI 研究。 机制方面，摘要将连续时间随机微分方程描述的扩散模型与多尺度去噪自编码器联系起来，并提出新的去噪得分匹配目标。作者指出，这一表征学习方式允许手动控制表征所编码的细节层级；但具体目标公式、控制变量、编码结构及训练与推理流程尚未验证。作者还提出学习无限维潜在编码，摘要未说明其具体参数化及计算实现，不能据此推断模型规模。 结果方面，作者报告，该方法在半监督图像分类中相较当时的先进模型取得改进，并通过下游任务表现比较扩散得分匹配、自编码器和对比学习系统的表征质量。摘要未提供数据集、标注比例、数据划分、对照模型、评价指标或数值，因此无法判断改进幅度及不同方法的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同噪声尺度下的去噪信息能够形成可控粒度的表征，该机制可能为 EEG 自监督学习提供候选路径，但图像结果不构成 BCI 有效性的证据。可考虑复用去噪得分匹配思想，改造适配多通道时间序列的编码器与扰动过程；低信噪比可能使模型编码伪迹，被试差异、通道布局变化及小数据规模也可能削弱表征稳定性。一个可检验的小实验是在固定 EEG 数据划分与相同标注预算下，对比该目标、自编码器和对比学习表征的冻结编码器分类表现，并检验细节控制是否改变任务信息与伪迹信息的保留程度。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其通过改写 denoising score matching 目标学习去噪所需的表征，并讨论表征细节层级的可控性；其半监督图像分类收益及向 EEG 迁移的可行性尚需核对与验证。

1月1日周六
  1. OpenReview · Representation learning75

    使用扩散模型进行表征学习

    基于摘要分析。本文研究图像扩散模型的语义表征学习：针对 DMs 及潜空间扩散模型 LDMs 的扩散过程逐步破坏潜变量信息、缺乏语义明确表征空间的问题，提出 LRDM 框架，将独立编码器从干净图像提取的表征作为 LDM 的条件，并联合训练扩散模型与表征编码器。 核心机制是让表征学习直接服务于生成去噪过程，而非仅使用预训练自编码器的潜空间。作者还引入可处理的表征先验，以便从表征分布高效采样，在不训练额外模型的情况下实现无条件图像生成。摘要未给出先验形式、损失函数、条件注入方式及训练细节，这些内容尚未验证。 作者报告，在摘要所述图像生成评估中，采用 image-parameterized LDMs 可获得有竞争力的生成结果；LRDMs 能学习具有语义意义的表征，并支持忠实的图像重建与语义插值。摘要未提供数据集、划分、对照基线、指标或数值，不能据此量化优势；实验协议、消融及统计信息尚未验证。摘要提供了实现仓库，但代码完整性与复现条件尚未核对。 平台推测（待验证）：该机制提供的迁移假设是，生成去噪与条件表征的联合学习可能帮助 EEG 提取可重建的信号结构，但图像语义并不等于 EEG 的任务相关信息。原方法依赖预训练自编码器、干净输入及表征先验；是否需要任务标签、训练规模如何，摘要未说明。可尝试复用联合训练与表征先验的思路，但需改造时序编码器、潜空间自编码器和条件注入模块。低信噪比、跨被试差异、通道配置变化及小数据可能使表征偏向伪迹或被试身份，而非任务信息。 一个可检验的小实验是假设检验：在固定 EEG 数据划分、相同编码器与训练预算下，对比联合条件去噪表征和仅自编码器表征，以冻结表征的线性分类及重建质量分别评估任务信息与重建能力，并独立报告被试内和跨被试结果。此建议不是已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其联合学习表征与生成去噪的机制，以及表征先验如何支持无需额外模型的无条件采样，但摘要尚不足以判断表征质量及向 EEG 迁移的有效性。

  2. OpenReview · State space models75

    基于扩散模型与结构化状态空间模型的时间序列插补与预测

    基于摘要分析。本文研究时间序列缺失值插补，并提出 SSSD，将条件扩散模型与结构化状态空间模型结合，也评估其时间序列预测能力。主要贡献是利用生成建模与长程依赖建模的组合，处理不同缺失情境，尤其是 blackout-missing 场景。 机制上，扩散模型承担生成建模，结构化状态空间模型作为内部架构，旨在捕获时间序列的长期依赖。摘要未提供条件信息如何输入、扩散训练目标、状态空间模块配置、采样流程，以及插补与预测任务如何组织，这些实现细节尚未验证。 作者报告：在多种数据集与不同缺失情境下，SSSD 的概率插补和预测表现达到或超过所比较的先进方法；在 blackout-missing 场景中，既有方法未能给出有意义的结果。该结论目前仅有摘要支持，具体数据集、缺失比例与模式、数据划分、对照基线、指标数值、消融及统计信息尚未验证，不能据此判断不同协议下的优势幅度。 平台推测（待验证）：若 EEG 数据具有可利用的时间依赖，SSSD 的生成式插补机制可能用于连续信号缺失片段恢复，但通用时间序列结果不等于 BCI 有效性。可考虑复用扩散与状态空间模块，改造多通道条件输入、缺失掩码及信号预处理；其适用性依赖观测上下文和训练数据能否覆盖目标信号分布。低信噪比、跨被试差异、通道布局变化及小数据可能导致生成结果看似合理却不保留任务相关信息。一个可检验的小实验是在固定被试内划分下，仅对测试片段施加不同长度的连续遮挡，与简单插值及明确的时序插补基线比较，同时检查重建误差与下游任务表现，避免仅凭波形相似性判断有效。已有 EEG 相关工作尚未检索确认，复现所需代码、配置与计算条件尚未验证。

    阅读价值：值得阅读的具体原因是 SSSD 将条件扩散与结构化状态空间模型结合用于时序缺失值插补，并考察 blackout-missing 场景；其对 EEG 连续缺失片段的适用性尚未验证。