热点事件持续更新
差分隐私扩散模型用于能源时序缺失值填补
1 篇报道1 个报道来源4 小时前 更新
先了解这件事
AI 综述
2026-10-02，arXiv·Machine Learning Theory发表一篇论文，提出基于差分隐私随机梯度下降（DP-SGD）的能源时间序列插补方法。该方法通过裁剪感知目标条件化，解决余弦扩散调度下低信噪比时段的梯度裁剪问题，并采用v-prediction缓解晚期时间步梯度放大，结合静态损失加权与扩散调度感知的动态加权，在五个真实能源时间序列数据集上评估，在匹配DP-SGD设置下持续提升插补效用。
AI 根据报道生成 · 3 小时前更新
最新进展10月2日 12:00
论文提出裁剪感知目标条件化与v-prediction方法，在五个真实能源时序数据集上提升DP-SGD插补效用。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv · Machine Learning Theory差分隐私扩散模型在能源时间序列插补中的裁剪感知目标条件方法
论文提出一种基于差分隐私随机梯度下降（DP-SGD）的能源时间序列插补方法，通过裁剪感知目标条件化解决余弦扩散调度下低信噪比时段的梯度裁剪问题。该方法采用 $v$-prediction 缓解晚期时间步梯度放大，结合静态损失加权与扩散调度感知的动态加权，在五个真实能源时间序列数据集上评估，在匹配 DP-SGD 设置下持续提升插补效用。
本事件热度走势
当前热度 9·可比范围峰值 10（10月2日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。