Oct, 2022

基于多尺度基于补丁的小波频谱图生成的时间序列合成

PDF
TL;DR本研究提出了一种从单一样本中学习生成低数据制度下合成时间序列的框架，它利用单个图像生成模型捕捉时间序列波小波形成对数分布，为生成合成时间序列绘制逼真的波小波系数。结果显示这个框架对于在无趋势的时间序列中保证了逼真度和多样性，而且生成的样本时长相同时（重新混洗），其性能更加优秀。
发现论文，激发创造
  • MultiWave: 基于小波分解的多尺度深层网络模型用于多变量时间序列预测

    本文提出了 MultiWave 框架，采用小波分解对多变量时间序列数据进行频率分组，并结合门控机制来提高各种深度学习模型的性能。多个实验表明，MultiWave 可以准确地识别信息丰富的频率带，提高模型性能，并提供有价值的应用见解。

    Jun, 2023

  • WDM: 高分辨率医学图像合成的三维小波扩散模型

    利用基于小波的医学图像合成框架的扩散模型，可以在高分辨率下生成高质量的医学图像。

    Feb, 2024

  • 基于 Sig-Wasserstein 的 GANs 用于时间序列生成

    本文介绍了 SigWGAN 时间序列生成器，它将连续时间随机模型与新提出的签名 $W_1$ 度量相结合，可以加速人工智能机器学习流程的开发和部署，并在量化风险模型和实证财务数据中验证了其性能。

    Nov, 2021

  • 基于补丁的 3D 自然场景从单个示例生成

    提出一种基于 3D Patch 的生成模型，用于生成高质量通用自然场景，解决了训练数据量小、场景特征变化等问题。

    Apr, 2023

  • 合成时间序列数据真的不如真实数据好吗？

    本文提出了 InfoBoost—— 一种高度灵活的跨领域数据合成框架，具有时间序列表示学习能力。我们开发了一种基于合成数据的方法，能够在无需真实数据的情况下进行模型训练，并超越了使用真实数据进行训练的模型性能。此外，我们训练了一个基于合成数据的通用特征提取器，适用于所有时间序列数据。我们的方法克服了多个来源的干扰，如周期性信号、噪音干扰和超出采样窗口能力的长期特征。通过实验证明，我们的非深度学习合成数据能够使模型实现卓越的重构性能和通用的显性表示提取，而无需真实数据。

    Feb, 2024

  • 关于有限时间序列生成问题的研究

    本文利用一个带限制的优化框架，提出了一套生成方法，包括 “GuidedDiffTime”，用于生成合成的具有现实性的时间序列，相比现有方法更加高效，且无需重新训练，取得了显著的性能提升，并大幅降低了碳足迹。

    Jul, 2023

  • 联合时频散射

    通过计算基于小波卷积和模量非线性的联合时频散射变换，作者提出了一种具有时间平移不变性的信号表示方法，并且通过应用于鸣号信号和音频综合实验，证明了其适用于时序分类问题，并且在音频分类任务中获得了与全连接网络可比的高准确率。

    Jul, 2018

  • 用于稳健和最优宇宙分析的多尺度流

    提出一种用于生成宇宙学数据的多尺度标准化流模型，可用于余弱引力透镜的模拟数据，以及识别数据中不同尺度的分布偏移并去除干扰，能明显优于传统或基于机器学习的统计模型，并能生成真实的弱引力透镜数据样本。

    Jun, 2023

  • 小波扩散模型：快速可扩展的图像生成器

    通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。

    Nov, 2022

  • GT-GAN: 通用时序生成对抗网络的时间序列合成

    设计了一种基于生成对抗网络的通用时序合成模型，能够在正常和不规则数据类型上表现出色，相比所有现有方法，我们的方法表现更佳。

    Oct, 2022