DDPM
2020年UC伯克利团队发表的论文，首次系统性地将扩散过程用于图像生成，奠定了现代扩散模型的理论基础
核心事实
时间轴 (近 90 天)
扩散模型推理的多步迭代特性使其计算量远高于单次前向推理的语言模型，在浏览器端运行通常需要压缩步数（如DDIM采样）或降低分辨率
用JavaScript实现大语言模型和去噪扩散概率模型在技术上是可行的，因为模型本质上是与编程语言无关的张量运算
HyMLRaman 引入基于 DDPM（去噪扩散概率模型）的生成式特征增强，在 PCA 降维的 EfficientNet-B3 隐空间中生成合成特征
该研究目前仅覆盖六种药物化合物，DDPM 增强效果仍不稳定，距离大规模多类别实际部署还有距离
消融实验显示 DDPM 增强只在特定条件下带来收益，尤其对训练数据比例较低时的 KNN 分类器效果明显，整体增益依赖具体分类器
DDPM的前向过程逐步向原始数据添加高斯噪声，经过T步后将数据完全变为随机噪声
DDPM的推导依赖变分下界（ELBO）和马尔可夫链假设，涉及KL散度、条件高斯分布等概率工具
具备扎实的信息论、概率论背景以及对DDPM的理解能让读者从书中获得更多
Flow Matching等替代训练目标展示出比传统DDPM更快的收敛速度
传统扩散模型（如DDPM）需要数百步逐步去噪
还有 14 条时间轴事件
全部知识事实 (20)
扩散模型通过逐步添加高斯噪声再训练模型学习逆向去噪的马尔可夫链机制，规避了对抗训练的不稳定性
90%已验证DDPM（Denoising Diffusion Probabilistic Models）在2020年奠定了扩散模型的理论基础
90%已验证2020年DDPM（Denoising Diffusion Probabilistic Models）在图像生成领域开创了通过逐步加噪—逐步去噪实现高质量生成的范式
80%已验证扩散模型的理论根基可追溯至2015年Sohl-Dickstein等人发表的非平衡热力学论文
80%已验证扩散模型的去噪过程基于DDPM原理，训练时向数据逐步添加高斯噪声，再训练神经网络学习逆向去噪
80%已验证2020年斯坦福大学的DDPM论文将扩散模型引入图像生成领域
75%已验证2022年Stable Diffusion和DALL-E 2的发布标志着扩散模型成为图像生成的主流范式
75%已验证2020年Jonathan Ho等人提出了DDPM（去噪扩散概率模型），是引发图像生成革命的关键突破
65%已验证2020年以来扩散模型在图像生成质量上全面超越了GAN（生成对抗网络）
65%待验证2020年的DDPM（去噪扩散概率模型）论文标志着扩散模型开始超越GANs
70%待验证扩散策略（Diffusion Policy）是2023年由MIT和哥伦比亚大学团队提出的方法，借鉴了去噪扩散概率模型（DDPM）
60%待验证扩散过程的反向SDE可以表示为 dX_t = [f(X_t,t) - g(t)²∇log p_t(X_t)]dt + g(t)dW̄_t
60%待验证传统扩散模型以DDPM为理论基础，推理通常需要20到50个去噪步骤，且过程单向封闭无法引入外部知识
60%待验证扩散模型推理的多步迭代特性使其计算量远高于单次前向推理的语言模型，在浏览器端运行通常需要压缩步数（如DDIM采样）或降低分辨率
50%待验证用JavaScript实现大语言模型和去噪扩散概率模型在技术上是可行的，因为模型本质上是与编程语言无关的张量运算
50%待验证该研究目前仅覆盖六种药物化合物，DDPM 增强效果仍不稳定，距离大规模多类别实际部署还有距离
50%待验证HyMLRaman 引入基于 DDPM（去噪扩散概率模型）的生成式特征增强，在 PCA 降维的 EfficientNet-B3 隐空间中生成合成特征
50%待验证消融实验显示 DDPM 增强只在特定条件下带来收益，尤其对训练数据比例较低时的 KNN 分类器效果明显，整体增益依赖具体分类器
50%待验证DDPM的推导依赖变分下界（ELBO）和马尔可夫链假设，涉及KL散度、条件高斯分布等概率工具
50%待验证具备扎实的信息论、概率论背景以及对DDPM的理解能让读者从书中获得更多
50%