Talk預(yù)告 | 北京大學(xué)楊靈：擴(kuò)散生成模型的方法、關(guān)聯(lián)與應(yīng)用
本期為TechBeat人工智能社區(qū)第442期線上Talk。
北京時(shí)間9月22日(周四)20:00，北京大學(xué)數(shù)據(jù)科學(xué)專業(yè)在讀博士——楊靈的Talk將準(zhǔn)時(shí)在TechBeat人工智能社區(qū)開播！他與大家分享的主題是: “擴(kuò)散生成模型的方法、關(guān)聯(lián)與應(yīng)用”，屆時(shí)將介紹diffusion model的兩種實(shí)現(xiàn)范式，即Denoising Diffusion Probabilistic Models（DDPM）和Score-based Generative Models（SGM）。
Talk·信息
主題：擴(kuò)散生成模型的方法、關(guān)聯(lián)與應(yīng)用
嘉賓：北京大學(xué)數(shù)據(jù)科學(xué)專業(yè)在讀博士?楊靈
時(shí)間：北京時(shí)間?9月22日?(周四) 20:00
地點(diǎn)：TechBeat人工智能社區(qū)
http://www.techbeat.net/
完整版怎么看？
掃描下方二維碼，或復(fù)制鏈接https://datayi.cn/w/LPd0kyKP瀏覽器，一鍵完成預(yù)約！上線后會(huì)在第一時(shí)間收到通知哦?
Talk·介紹
擴(kuò)散模型（diffusion models）在圖片生成任務(wù)中超越了GAN，除了計(jì)算機(jī)視覺之外，它在其他諸多應(yīng)用領(lǐng)域也都有出色的表現(xiàn)，如自然語言處理、波形信號(hào)、多模態(tài)、分子圖、時(shí)間序列、對(duì)抗性凈化等。然而原始的擴(kuò)散模型也有很多缺點(diǎn)，雖然很多研究已經(jīng)從應(yīng)用和理論角度嘗試解決問題，卻始終缺乏對(duì)現(xiàn)有擴(kuò)散模型從算法到應(yīng)用最新進(jìn)展的系統(tǒng)性回顧。因此，我們首次對(duì)擴(kuò)散模型進(jìn)行了全面綜述，闡明擴(kuò)散模型的設(shè)計(jì)考慮和先進(jìn)方法，展示其在不同領(lǐng)域的應(yīng)用，并指出未來的研究方向。
具體分享提綱如下：
介紹diffusion model的兩種實(shí)現(xiàn)范式，即Denoising Diffusion Probabilistic Models（DDPM）和Score-based Generative Models（SGM）。
將現(xiàn)有diffusion model方法分為三大類-采樣加速增強(qiáng)、最大似然估計(jì)增強(qiáng)、數(shù)據(jù)泛化增強(qiáng)，在每一大類中又對(duì)不同方法進(jìn)行了更細(xì)粒度的分類解析。
將diffusion model和現(xiàn)有的GAN，VAE，Energy-based Model，Autoregressive Model，Normalizing Flow等五大生成模型關(guān)聯(lián)進(jìn)行了詳細(xì)的闡釋，并介紹了各類結(jié)合性工作。
詳細(xì)介紹diffusion model在計(jì)算機(jī)視覺、自然語言處理、多模態(tài)、分子圖生成、時(shí)間序列、波形信號(hào)、對(duì)抗任務(wù)等七大領(lǐng)域中的應(yīng)用。
分析現(xiàn)有diffusion model方法和應(yīng)用的局限，并提出了未來可能的發(fā)展方向。
Talk·預(yù)習(xí)資料
https://arxiv.org/abs/2209.00796
https://github.com/YangLing0818/Diffusion-Models-Papers-Survey-Taxonomy
Talk·提問交流
通過以下兩種方式提問都將獲得微信現(xiàn)金紅包獎(jiǎng)勵(lì)哦！
方式 ①
在Talk界面下的【交流區(qū)】參與互動(dòng)！留下你的打call??和問題??，和更多小伙伴們共同討論，被講者直接翻牌解答！
你的每一次貢獻(xiàn)，我們都會(huì)給予你相應(yīng)的i豆積分，還會(huì)有驚喜獎(jiǎng)勵(lì)哦！
方式 ②
在本文留言區(qū)直接提出你的問題，或掃描下方二維碼提問！
Talk·嘉賓介紹
北京大學(xué)數(shù)據(jù)科學(xué)專業(yè)在讀博士
北京大學(xué)博士在讀二年級(jí)，研究興趣是GNN，自監(jiān)督學(xué)習(xí)、生成模型、AI for Science，一作發(fā)表多篇CVPR，ICML論文，目前擔(dān)任ICML，NeurIPS，KDD，AAAI等人工智能頂會(huì)審稿人。
個(gè)人主頁：
https://sites.google.com/view/lingyang
-The End-
關(guān)于TechBeat人工智能社區(qū)
TechBeat (www.techbeat.net) 是一個(gè)薈聚全球華人AI精英的成長社區(qū)。 我們希望為AI人才打造更專業(yè)的服務(wù)和體驗(yàn)，加速并陪伴其學(xué)習(xí)成長。 期待這里可以成為你學(xué)習(xí)AI前沿知識(shí)的高地，分享自己最新工作的沃土，在AI進(jìn)階之路上的升級(jí)打怪的根據(jù)地！
更多詳細(xì)介紹>>https://mp.weixin.qq.com/s/pTbCK_MeTk05jK2yx1RTrQ
