扩散神经编码器

自解释低开销

受热传导物理过程启发,以扩散过程作为前向机制阐明神经网络的数据表征,从理论上建立了扩散数值更新与深度数据表征的等价性,实现了最优特征传播。

Xiao, Wang · alafeifei · Qi, Xiaomei · Yong, Zhang

Engineering Applications of Artificial Intelligence 2026

参数信息

均方根误差
0.0804
决定系数
0.9834
浮点运算量降低比例
60.6 %

技术优势

预测精度高

在转子热变形数据集上,模型的均方根误差和决定系数均优于七种现有方法。

计算开销低

相比对比方法,模型在浮点运算量上平均减少 60.6%,适合实时应用。

自带可解释性

通过信息瓶颈理论可视化了信息路径,验证了模型的自解释能力,无需额外事后解释方法。

应用场景