Dit moi, la petit ephémère

Qui nous laisse espérer le ciel, et nous attache à des pierres

0%

介绍是年来自AAAI的北京大学团队的论文《TS2Vec: Towards Universal Representation of Time Series》,介绍了一种更具泛化性的时序数据的表征模型,利用了多层对比学习的方法,使得其能胜任更多时序任务。

阅读全文 »

本文是来自OpenAI团队关于Diffusion模型的经典工作《Improved Denoising Diffusion Probabilistic Models》,通过调整噪声规划方式、引入重要性采样、对采样方差进行预测等多种方法提高了diffusion模型的采样质量与速度。

阅读全文 »

介绍来自斯坦福大学团队的文章《Diffusion-LM Improves Controllable Text Generation》,概览怎样用扩散概率模型处理离散的序列数据,同时这个过程中还利用到了clamp技巧,提高了训练效果。

阅读全文 »

【未完待续】从万有引力的角度,理解扩散生成模型中的常微分方程建模的意义,并对Poisson流生成模型进行解析,期冀可以为扩散模型提供一个更为坚实的理论基础,同时更便于理解。

阅读全文 »

介绍来自斯坦福大学Ermon团队宋博士的论文《Score-Based Generative Modeling through Stochastic Differential Equations》,结合苏剑林老师关于随机微分方程的解析博客,尝试揭示连续时间尺度中扩散模型的运行机理。

阅读全文 »

介绍来自人大团队的文章《Multiscale complexity fluctuation behaviours of stochastic interacting cryptocurrency price model》,文章利用了一种多智能体模型结合随机过程的方法,对市场中的羊群效应进行模拟,同时采用了多尺度模糊熵、匹配能算法衡量了市场数据的复杂程度。

阅读全文 »