差分隐私扩散模型用于能源时序缺失值填补

1. 12:00
   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。

Current heat 9·Comparable peak 10（Oct 2）·Comparable change over 24 hours –

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.