DDPM回顾
2020年论文《denosing diffusion probabilistic models》
https://arxiv.org/pdf/2006.11239v2.pdf
DDPM分为扩散过程和逆扩散过程
扩散过程
扩散过程是确定性的，x0到xt逐步添加噪声是没有需要训练的参数，是不可训练的固定的马尔科夫链过程，这和VAE是不同的，VAE是通过网络学习而来的
从x0到xt的条件概率写成每一步条件概率的连乘
高斯分布q服从定义：
均值为根号下1-βn×xn-1，方差为βnI，I是单位矩阵
给定xn-1情况下，用xn的样本，可以使用重参数技巧，从标准分布中生成一个噪声ε，ε×标准差（根号下βn） + 均值（根号下1-βn×xn-1）获得xn的样本，不断的递推最终获得xt时刻的采样样本
扩散过程使用的是逐渐递增的方差的方案，βn大于βn-1 ∈ （0，1）
逆扩散过程
从xt到x0用了一个假设，假设服从一个条件的高斯分布，pθ（xt-1|xt）是一个高斯分布，基于马尔科夫链假设过程
转移概率xt到xt-1是可学习的高斯分布的基于马尔科夫链的函数拟合出来的
扩散过程最终目标是把原始的数据分布变成标准的高斯分布，因此逆过程的起点我们将xt看作服从N（0，I）均值为0，方差为1的标准高斯分布
因此公式我们写成初始的p(xt)乘上之后每一个马尔可夫链转移过程的条件概率
这里的高斯分布是拟合的，可学习的，我们假设每步的分布是服从均值为μθ，方差为∑θ的高斯分布，其中μ和∑是以xt和当前时刻t为参数的可学习的函数
这么做是因为在扩散过程中每步加的噪声是很小的，在逆过程我们也可以用高斯分布去拟合这个过程
最终的目的是要去恢复x0，逐步去消除在扩散过程加的高斯噪声，优化网络的目的似然达到最大，负似然达到最小，负对数似然的上界由公式推导可以得出
负对数似然
还可以改写成KL散度形式，前两项都是常数，只有第三项是q分布和pθ之间的KL散度和优化有关
此外还有性质，在给定x0的xt的情况下，就能采样出1到t-1任意时刻的xn，不需要逐步去递推
通过分布组合，两个高斯分布合并成一个高斯分布，那么三个及三个以上的高斯分布也能合并成一个高斯分布，那么由整理公式可以得到，在给定x0的情况下，可以直接推出xn
其中an=1-βn，an-bar = ai从1到n的连乘
这样我们就能从x0得到任意时刻的加噪后的图像
根据这个性质，带入负对数似然中，新的负对数似然可以写成
基于公式3可以推出公式5，我们已经知道xn，x0条件下，推出xn-1，给了x0所以是一个后验的概率分布，可以写出均值和方差，均值是x0和xn分别带上两个系数所构成，方差β~完全由βn构成
q分布写成了高斯分布，那么q分布和pθKL散度可以写成公式6
此时我们有几种方案，构建一个网络xn和n作为输入去预测均值μ~，但是论文作者说不是很好，而改为去预测噪声
根据公式3，xn可以写成x0的形式，为了让采样过程可导，从标准分布中采用出ε，重参数方式shift和scale得到原始分布采样的效果，反过来x0就可写成xn和ε的形式
x0(xn,ε)带入到公式5中，就可以得到μθ的简化形式 ，其中ε写成含参的形式，原本是去预测μ~ 的，变成了在给定x0的情况下，得到xn所增加的噪声，转移成去预测εθ，
μ~ 减去 μθ得到公式7，构建神经网络，以xn和n作为输入计算出输出，和刚刚加的噪声越近越好，省略系数，loss simple
从xn恢复xn-1，通过参数重整，有公式如下，随机噪声z乘以标准差，再加上均值
Autoregressive DM概述
https://arxiv.org/pdf/2101.12072.pdf
《Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting》
扩散模型和自回归模型结合做多变量的序列预测的任务，基于过去一段时间的数据去预测未来一段时间的数据，并且是由一种自回归的方式去预测
通过DDPM的回顾，我们得到了目标函数
将其运用到自回归模型，我们可以用RNN或者Transformer构建时间依赖性的网络
xt-1和ct-1输入到RNN中，生成ht-1，使用条件的扩散模型得到xt，ht-1作为模型的条件，现在有一个条件概率模型能够基于ht-1预测当前时刻的所想要的xt，前向过程还是从x0到xN，只不过在逆扩散过程构建噪声网络的时候加入一个ht-1
算法及目标函数，从数据中的到x0，和当前rnn输出的隐藏状态ht-1，优化εθ，训练网络rnn也随着优化
逆扩散的采样过程，输入xn噪声和隐藏状态ht-1
从n到2迭代，z从标准正态分布采样的到高斯噪声，当t=1时z=0，xn-1用重参数技巧公式
最终得到x0
εθ带残差网络模型，多层的残差模型，xt，n，ht-1作为输入
