关于有限时间序列生成问题的研究

Jul, 2023

关于有限时间序列生成问题的研究

On the Constrained Time-Series Generation Problem

Andrea Coletta, Sriram Gopalakrishan, Daniel Borrajo, Svitlana Vyetrenko

TL;DR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。

Abstract

synthetic time series are often used in practical applications to augment the historical time series dataset for better performance of machine learning algorithms, amplify the occurrence of rare events, and also create

synthetic time series counterfactual scenarios constrained time series generative methods guideddifftime

发现论文，激发创造

D3A-TS: 时间序列中的去噪驱动数据增强

研究了在时间序列的分类和回归问题中，使用不同的技术进行数据增强的方法，特别关注了使用扩散概率模型和元属性来生成合成数据的可行性，结果表明该方法在训练分类和回归模型时具有很高的实用性。

Dec, 2023

时序生成的条件 GAN

本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

Jun, 2020

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

CausalTime: 用于因果发现基准测试的现实生成时间序列

使用 CausalTime 流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。

Oct, 2023

走向可控时间序列生成

时间序列生成（TSG）是在许多应用中不可或缺的一种关键技术，本文提出了一种针对数据稀缺情况的可控时间序列生成（CTSG）问题，并介绍了具有出色性能的 CTSG 框架 CTS 及其在生成高质量可控输出方面的应用。

Mar, 2024

时间序列数据增强的不平衡学习问题

这篇研究提出了一种生成单变量时间序列合成样本的新方法，通过使用过采样技术创建合成时间序列观测来改善预测模型的准确性，并在实验中证明了该方法优于全局模型和本地模型，提供了更好的权衡。

Apr, 2024

TSGM：一种灵活的生成式模型合成时间序列的框架

本文介绍了 Time Series Generative Modeling（TSGM）框架，该框架利用生成模型、概率和模拟器等机器学习方法生成合成的时间序列数据，可以从相似度、预测一致性、多样性和隐私保护等方面评估数据质量。TSGM 不仅适用于开放数据集，而且在实际生产中也表现出巨大的潜力。同时，该项目允许用户使用命令行界面进行合成数据生成，这降低了编程背景较弱的用户的学习门槛。

May, 2023

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

一种用于表格数据的有监督生成优化方法

合成数据生成已成为金融机构的重要课题，本研究提出了一种新的合成数据生成框架，将监督组件与元学习方法结合，为特定下游任务学习最佳混合分布的已有合成分布。

Sep, 2023

时间编织者：一种条件时间序列生成模型

基于异构元数据的时序生成，Time Weaver 模型通过利用分类、连续和时变变量显著提高时序生成，并创新性地提出了适用于时序领域的评估指标，证明在真实世界的能源、医疗、空气质量和交通数据集上，在下游分类任务中性能优于生成对抗网络（GANs）。

Mar, 2024