研究人员开发了SynEnergy，一个新颖的两阶段基于扩散的模型框架，旨在生成能够准确保留异常事件的合成能源消耗数据。第一阶段，基于异构图的异常语义学习（HG-ASL），通过建模空间和属性依赖性来识别特定区域的异常语义。第二阶段，异常语义引导的扩散（AS-Diff），将这些学习到的语义整合到生成过程中，以确保包含罕见但关键的异常模式的逼真消耗序列。在真实世界数据集上的评估表明，与现有方法相比，SynEnergy在提高异常保留保真度和下游质量方面是有效的。 AI
影响 增强了逼真合成能源数据的创建，这对于需求预测和电网可靠性等应用至关重要。
排序理由 该集群描述了一篇详细介绍用于合成数据生成的新颖框架的研究论文。
在 Hugging Face Daily Papers 阅读 →
- Anomaly Semantic-guided Diffusion (AS-Diff)
- Heterogeneous Graph-based Anomaly Semantic Learning (HG-ASL)
- SynEnergy
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
