风险敏感扩散：利用噪声样本鲁棒优化扩散模型

扩散模型主要研究图像数据。然而，非图像数据（例如表格数据）在实际应用中也普遍存在，并且由于数据收集阶段的一些不可避免的因素，往往带有噪声，从而降低了扩散模型的生成质量。在本文中，我们考虑了一个新颖的问题设置，其中每个收集到的样本都配有一个指示数据质量的向量：风险向量。这种设置适用于许多涉及噪声数据的场景，我们提出了风险敏感SDE，一种由风险向量参数化的随机微分方程（SDE）来解决这个问题。通过适当的系数，风险敏感SDE可以最小化噪声样本对扩散模型优化的负面影响。我们对高斯和非高斯噪声分布进行了系统研究，提供了风险敏感SDE的解析形式。为了验证我们方法的有效性，我们在多个表格和时间序列数据集上进行了大量实验，表明风险敏感SDE允许对带有噪声样本的扩散模型进行鲁棒优化，并且显著优于以前的基线。