- 博客(14)
- 收藏
- 关注
RSS订阅原创 协同噪声先验11
CoDiffMob 模型的整体架构围绕带有协作噪声先验的扩散去噪过程展开，旨在生成高质量的城市移动性数据。协作噪声先验是 CoDiffMob 模型的核心创新所在，通过多步骤构建，融入了丰富的信息。
2025-04-19 15:28:58
286
原创 结构感知扩散模型10
这些信息为反向去噪过程提供了额外的约束和指导，使模型生成的轨迹更符合实际情况。先去除了静止点以及行驶时间过短（少于 5 分钟）或过长（多于 30 分钟）的轨迹，之后运用地图匹配算法，将 GPS 点投影到从 OpenStreetMap 下载并经 osmnx 工具处理的道路网络上，最终得到以路网约束轨迹（RNTraj）形式呈现的数据。它参与到去噪网络的计算中，例如在去噪网络的位置编码环节，时间步n被编码成特定向量 ，为模型提供时间相关的信息，帮助模型更好地捕捉轨迹在不同时间步的特征。
2025-04-19 14:33:46
471
原创 数据库（六）
②foreign key名字一样可以省略。③候选关键字非空加唯一性，unique（）⑥primary中每个属性都不能为空。⑤ 插入空值不可以省略，默认可以省略。⑦删除和更新数据语法。
2025-04-14 09:18:48
229
原创 拓扑约束扩散模型9
GeoUNet 在 UNet 架构基础上集成地理注意力机制，融合多尺度特征，通过自注意力和交叉注意力机制，结合道路段和轨迹属性等外部信息，生成更真实的轨迹，同时集成属性嵌入模块辅助轨迹生成。GeoUNet 预测的噪声 包含对时间维度的修正，条件 中的行程属性（如出发时间）会通过交叉注意力影响时间戳的生成。：确保生成轨迹的时间间隔符合真实移动速度（如驾车轨迹中连续点的时间差需匹配车速）。，描述了道路之间的连接性和几何形态（比如路是直的还是弯的，路是主路还是分支）。轨迹点的时间戳 作为输入数据的一部分，
2025-04-05 22:33:14
720
原创 变分自编码器与变分图自编码器
约束隐变量 zz 的分布 q(z∣x)接近标准正态分布 p(z)=N(0,I)。：通过KL散度约束隐变量 zz 的分布接近标准正态分布 N(0,I)。对离散数据（如文本），使用交叉熵损失（Cross-Entropy）：根据输入 x和重构输出 x^，计算损失函数（见第3部分）。：通过梯度下降（如Adam优化器）更新编码器和解码器的参数。：使重构数据 x^ 尽可能接近原始数据 x。对连续数据（如图像），使用均方误差（MSE）：直接学习隐空间分布，一步生成数据。：原始数据x （如图像、文本等）。
2025-03-25 22:57:51
423
原创 处理离散结构的数据
自回归生成：使用自回归模型（如 PixelCNN）从离散的 codebook 中生成离散数据。逐步噪声化：例如，随机掩码通过逐步掩码离散 token，将数据逐渐转化为噪声。逐步生成：通过逐步预测下一个离散 token，生成完整的离散序列。分数匹配损失：衡量模型预测的分数函数与真实分数函数之间的差异。分数匹配损失：衡量模型预测的分数函数与真实分数函数之间的差异。分数匹配损失：衡量模型预测的分数函数与真实分数函数之间的差异。去噪损失：衡量去噪后的数据与原始数据之间的差异。
2025-03-25 20:41:04
489
原创 黎曼分数基生成模型
传统生成模型（如 GAN、VAE、扩散模型）假设数据位于欧几里得空间（即平坦的空间），而 RSGMs 将生成模型推广到黎曼流形（即弯曲的空间），从而能够生成非欧几里得数据。传统生成模型的局限性：传统生成模型（如 GAN、VAE、扩散模型）假设数据位于欧几里得空间，无法直接处理流形结构数据。流形上的扩散过程：定义了流形上的前向和反向扩散过程，确保生成的数据严格位于流形上。流形数据生成的挑战：流形数据的几何结构复杂，传统方法难以保证生成数据的几何一致性。分数匹配是 RSGMs 的核心技术，用于估计分数函数。
2025-03-25 20:22:34
470
原创 处理流形结构的数据
具体创新点：在黎曼流形上定义分数函数，通过黎曼几何中的梯度（如黎曼梯度）计算分数，生成流形结构数据。具体创新点：结合结构引导的对抗训练和扩散模型，通过引入结构约束（如分子键长、键角）优化生成过程。具体创新点：在潜在空间定义分数函数，通过将高维流形数据映射到低维潜在空间，简化分数匹配的计算。具体创新点：在潜在空间进行扩散过程，通过将高维数据映射到低维潜在空间，降低计算复杂度。优点：提供了更自然的流形数据生成方法，适用于几何数据生成。解决的问题：传统扩散模型难以生成具有复杂结构的数据。
2025-03-25 20:21:40
373
原创 DDPMs vs SGMs vs SDEs
随着时间步长变得越来越小，这个模拟就会越来越接近连续时间下随机微分方程所描述的真实情况，也就实现了在一定程度上对连续时间的模拟。噪声预测网络（Noise Prediction Network）和分数函数估计网络（Score Function Estimation Network）如果想要更稳定的采样和易于控制的扩散模型 噪声预测网络（DDPM）（如 Stable Diffusion）如果想要更高效、理论更强的分数匹配方法 分数函数估计网络（SDE/SGM）估计数据分布的梯度（Score Function）
2025-03-25 20:18:56
443
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人