基于扩散的结构化状态空间模型的时间序列插补和预测
提出了一种自适应噪声缩放扩散模型(SaSDim)来更有效地进行空间时序插补,利用新的损失函数对噪声进行缩放,提出跨时空全局卷积模块以更有效地捕捉动态时空依赖关系。通过与当前最先进的基线进行比较,在三个真实世界数据集上广泛进行的实验证实了 SaSDim 的有效性。
Sep, 2023
本研究提出了基于条件分数扩散模型的时间序列插值方法,相较于现有概率插值方法以及现有确定性插值方法,该方法在医疗和环境数据方面表现优异,可以减少 5-20% 的误差,并可在时间序列内插值和概率预测中应用,具有广泛的应用前景。
Jul, 2021
本文提出了一种用于 Tabular 数据的基于条件分数的扩散模型方法(TabCSDI),并研究了热点问题中的三种处理技术。实验结果表明与现有方法相比,TabCSDI 是有效的,同时也强调了分类嵌入技术的重要性。
Oct, 2022
提出了神经连续 - 离散状态空间模型 (NCDSSM),用于对时间序列进行连续时间建模。该模型使用辅助变量进行识别和动态分离,从而仅需要为辅助变量进行摊销推理。通过连续离散滤波理论,提出了三种灵活的潜在动态参数化方法和一种能够较快地进行后验推理的训练目标函数。实验结果表明,NCDSSM 在多个基准数据集上都比现有模型具有更好的插补和预测性能。
Jan, 2023
本篇论文提出了一种基于双重随机变分推断和高斯过程的可扩展训练算法,用于可靠地训练完全概率状态空间模型中的潜在状态时间相关性, 并在真实世界基准数据集集上评估了所提出的 PR-SSM 的效果与最先进的概率模型学习方法进行了比较
Jan, 2018
该研究提出了一种使用时间序列插补和扩散模型相结合的新型异常检测框架 ImDiffusion,用于准确和可靠地检测多元时间序列数据中的异常数据,该框架在基准数据集上的广泛实验中表现出较高的检测准确性和时效性,是一种开创性的方法。
Jul, 2023
本文介绍了一种名为 SSDNet 的新型深度学习方法,其使用 Transformer 架构和状态空间模型进行时序预测,能够提供包含趋势和季节组成部分以及前一时间步骤的概率性和可解释性预测,SSDNet 在五个数据集上的性能综合评估表明,它在准确性和速度方面都表现出色,超越了最先进的深度学习和统计方法,并能提供有意义的趋势和季节组成部分。
Dec, 2021