PulseAugur
中
实时 09:45:07
English(EN) SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation

新框架SynEnergy生成保留异常的合成能源数据

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SynEnergy，一个新颖的两阶段扩散模型框架，旨在生成能够准确保留异常事件的合成能源消耗数据。该框架首先使用基于异构图的异常语义学习（HG-ASL）来提取特定区域的异常语义，通过建模空间和属性依赖性。随后，异常语义引导的扩散模型（AS-Diff）将这些学习到的语义整合到生成过程中，确保稀疏、局部异常与真实的消耗模式一起被保留。在真实世界数据集上的评估表明，与现有方法相比，SynEnergy在保留异常和提高下游任务质量方面具有卓越的保真度。 AI

影响 通过提供捕获关键异常事件的真实合成数据，为能源领域更鲁棒的AI应用提供支持。

排序理由 详细介绍一种新的合成数据生成方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架SynEnergy生成保留异常的合成能源数据

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Lin Jiang, Dahai Yu, Ravikumar Gelli, Guang Wang ·

    SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation

    arXiv:2608.03087v1 Announce Type: cross Abstract: Fine-grained energy consumption data are essential for applications such as demand forecasting, demand response planning, and grid reliability assessment. However, access to such data is often restricted by privacy concerns and da…

相关话题