Talk预告 | 北京大学杨灵：扩散生成模型的方法、关联与应用
本期为TechBeat人工智能社区第442期线上Talk。
北京时间9月22日(周四)20:00，北京大学数据科学专业在读博士——杨灵的Talk将准时在TechBeat人工智能社区开播！他与大家分享的主题是: “扩散生成模型的方法、关联与应用”，届时将介绍diffusion model的两种实现范式，即Denoising Diffusion Probabilistic Models（DDPM）和Score-based Generative Models（SGM）。
Talk·信息
主题：扩散生成模型的方法、关联与应用
嘉宾：北京大学数据科学专业在读博士 杨灵
时间：北京时间 9月22日 (周四) 20:00
地点：TechBeat人工智能社区
http://www.techbeat.net/
完整版怎么看？
扫描下方二维码，或复制链接https://datayi.cn/w/LPd0kyKP浏览器，一键完成预约！上线后会在第一时间收到通知哦
Talk·介绍
扩散模型（diffusion models）在图片生成任务中超越了GAN，除了计算机视觉之外，它在其他诸多应用领域也都有出色的表现，如自然语言处理、波形信号、多模态、分子图、时间序列、对抗性净化等。然而原始的扩散模型也有很多缺点，虽然很多研究已经从应用和理论角度尝试解决问题，却始终缺乏对现有扩散模型从算法到应用最新进展的系统性回顾。因此，我们首次对扩散模型进行了全面综述，阐明扩散模型的设计考虑和先进方法，展示其在不同领域的应用，并指出未来的研究方向。
具体分享提纲如下：
介绍diffusion model的两种实现范式，即Denoising Diffusion Probabilistic Models（DDPM）和Score-based Generative Models（SGM）。
将现有diffusion model方法分为三大类-采样加速增强、最大似然估计增强、数据泛化增强，在每一大类中又对不同方法进行了更细粒度的分类解析。
将diffusion model和现有的GAN，VAE，Energy-based Model，Autoregressive Model，Normalizing Flow等五大生成模型关联进行了详细的阐释，并介绍了各类结合性工作。
详细介绍diffusion model在计算机视觉、自然语言处理、多模态、分子图生成、时间序列、波形信号、对抗任务等七大领域中的应用。
分析现有diffusion model方法和应用的局限，并提出了未来可能的发展方向。
Talk·预习资料
https://arxiv.org/abs/2209.00796
https://github.com/YangLing0818/Diffusion-Models-Papers-Survey-Taxonomy
Talk·提问交流
通过以下两种方式提问都将获得微信现金红包奖励哦！
方式 ①
在Talk界面下的【交流区】参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，被讲者直接翻牌解答！
你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！
方式 ②
在本文留言区直接提出你的问题，或扫描下方二维码提问！
Talk·嘉宾介绍
北京大学数据科学专业在读博士
北京大学博士在读二年级，研究兴趣是GNN，自监督学习、生成模型、AI for Science，一作发表多篇CVPR，ICML论文，目前担任ICML，NeurIPS，KDD，AAAI等人工智能顶会审稿人。
个人主页：
https://sites.google.com/view/lingyang
-The End-
关于TechBeat人工智能社区
TechBeat (www.techbeat.net) 是一个荟聚全球华人AI精英的成长社区。 我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。 期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！
更多详细介绍>>https://mp.weixin.qq.com/s/pTbCK_MeTk05jK2yx1RTrQ
