論文の概要: A Comprehensive Survey on Generative Diffusion Models for Structured Data

• arxiv url: http://arxiv.org/abs/2306.04139v2
• Date: Sat, 8 Jul 2023 18:08:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 18:04:14.078256
• Title: A Comprehensive Survey on Generative Diffusion Models for Structured Data
• Title（参考訳）: 構造化データの生成拡散モデルに関する包括的調査
• Authors: Heejoon Koo, To Eun Kim
• Abstract要約: 生成拡散モデルは 深層生成モデルにおいて 急激なパラダイムシフトを達成しました 構造化データは、ディープラーニング研究コミュニティから比較的限られた注目を集めている。 このレビューは、構造化データの生成拡散モデルの発展を促進する研究コミュニティの触媒となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, generative diffusion models have achieved a rapid paradigm shift in deep generative models by showing groundbreaking performance across various applications. Meanwhile, structured data, encompassing tabular and time series data, has been received comparatively limited attention from the deep learning research community, despite its omnipresence and extensive applications. Thus, there is still a lack of literature and its reviews on structured data modelling via diffusion models, compared to other data modalities such as visual and textual data. To address this gap, we present a comprehensive review of recently proposed diffusion models in the field of structured data. First, this survey provides a concise overview of the score-based diffusion model theory, subsequently proceeding to the technical descriptions of the majority of pioneering works that used structured data in both data-driven general tasks and domain-specific applications. Thereafter, we analyse and discuss the limitations and challenges shown in existing works and suggest potential research directions. We hope this review serves as a catalyst for the research community, promoting developments in generative diffusion models for structured data.
• Abstract（参考訳）: 近年, 生成拡散モデルでは, 様々なアプリケーションにまたがる基礎的な性能を示すことによって, 深層生成モデルのパラダイムシフトが急速に進んでいる。 一方、表データと時系列データを含む構造化データは、その全盛期と広範な応用にもかかわらず、ディープラーニング研究コミュニティから比較的限定的な注目を集めている。 したがって、ビジュアルデータやテキストデータといった他のデータモダリティと比較して、拡散モデルによる構造化データモデリングに関する文献やレビューは依然として欠落している。 このギャップに対処するために,最近提案されている構造化データ分野の拡散モデルの包括的レビューを行う。 まず、この調査はスコアベース拡散モデル理論の簡潔な概要を提供し、その後、データ駆動の汎用タスクとドメイン固有のアプリケーションの両方で構造化データを使用した先駆的な研究の技術的な記述へと進む。 その後,既存の研究における限界や課題を分析し,議論し,今後の研究方向性を提案する。 このレビューが研究コミュニティの触媒となり、構造化データの生成拡散モデルの発展を促進することを願っている。

関連論文リスト

• Generative Models for Synthetic Urban Mobility Data: A Systematic Literature Review [44.99833362998488]
  この体系的なレビューは、この異質で活発な研究分野の現状に関する構造化された比較概要を提供する。 レビューされたモデルの適用性に特に焦点が当てられている。
  論文  参考訳（メタデータ） (2024-07-12T11:54:29Z)
• Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
  拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。 本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。 医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
  論文  参考訳（メタデータ） (2024-06-17T01:49:27Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• The Rise of Diffusion Models in Time-Series Forecasting [5.808096811856718]
  本報告では,拡散モデルに関する背景情報を網羅し,条件付け手法を詳述し,時系列予測における使用状況について検討する。 この分析は、11の特定の時系列実装、それらの背後にある直観と理論、異なるデータセットに対する有効性、および互いに比較する。
  論文  参考訳（メタデータ） (2024-01-05T11:35:10Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• Diffusion Models for Time Series Applications: A Survey [23.003273147019446]
  拡散モデルは現在、画像、ビデオ、テキスト合成に使われている。 我々は,時系列予測,計算,生成のための拡散に基づく手法に着目する。 拡散型手法の共通限界を結論し,今後の研究の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-05-01T02:06:46Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。