arXiv 机器学习· Huizhen Huang, Yu Li, Tao Huang, Chen Hou·· 8 小时前AI 评分28
基于裁剪感知目标调节的差分隐私扩散模型能源时间序列插补
Energy Time-Series Imputation with Differentially Private Diffusion Models via Clipping-Aware Objective Conditioning
AI 导读
针对能源时间序列的隐私保护插补需求，研究人员提出一种基于裁剪感知目标调节的差分隐私扩散模型。该方法采用 $v$-prediction 并结合静态与动态损失加权，有效降低低信噪比时间步的梯度范数以减少 DP-SGD 裁剪损失。在 5 个真实能源数据集的测试中，该方法在匹配设置下相较 $\varepsilon$-prediction 基线持续提升了插补效用。
来源：arXiv 机器学习 · arxiv.org