Cognitive Diffusion Probabilistic Models (CogDPM) ist ein Artikel mit dem TitelCogDPM: Diffusionswahrscheinlichkeitsmodelle mittels kognitiver prädiktiver Kodierung“, der die Verbindung zwischen dem Diffusionswahrscheinlichkeitsmodell und der PC-Theorie zeigt.

CogDPM verfügt über eine Methode zur Genauigkeitsschätzung, die auf der hierarchischen Sampling-Fähigkeit des Diffusionsmodells basiert, und gewichtet das Führungssignal mithilfe der Genauigkeitsgewichte, die aus den intrinsischen Eigenschaften des Diffusionsmodells geschätzt werden. Das Forschungsteam hat durch Experimente nachgewiesen, dass Präzisionsgewichte die Vorhersagbarkeit von Daten effektiv abschätzen können. In diesem Dokument wird CogDPM auf eine reale Prognoseaufgabe angewendet, wobei die britischen Niederschlags- und ERA-Oberflächenwind-Datensätze verwendet werden. Die Ergebnisse zeigen, dass CogDPM bestehende domänenspezifische Betriebsmodelle und allgemeine Deep-Prediction-Modelle übertrifft und bessere Vorhersageergebnisse liefern kann.