Dec, 2023

时间序列扩散方法：用于振动信号生成的降噪扩散概率模型

PDF
TL;DR通过改进 U-net 架构并结合扩散模型的基本原理，本研究提出了一种时间序列扩散方法 (TSDM)，通过前向扩散和逆向去噪过程对时间序列进行生成，并在振动信号生成、特征提取和小样本故障诊断等方面进行了实验证明。结果显示，TSDM 能够准确生成时序中的单频和多频特征，并能在扩散生成的轴承故障序列中保留基本频率特征，同时可提高三个公共轴承故障数据集的小样本故障诊断准确率。
发现论文，激发创造
  • Diffusion-TS: 通用时间序列生成的可解释扩散

    Denoising diffusion probabilistic models (DDPMs) are becoming the leading paradigm for generative models. In this paper, we propose Diffusion-TS, a novel diffusion-based framework that generates high-quality multivariate time series samples using an encoder-decoder transformer with disentangled temporal representations, aiming to satisfy both interpretability and realness.

    Mar, 2024

  • 改进的高效二阶段去噪扩散电力系统测量恢复对抗假数据注入攻击和数据丢失

    本文提出了一种改进的两阶段去噪扩散模型（TSDM），用于识别和重建具有各种测量不确定性的测量。该模型的第一阶段包括基于分类器的条件异常检测组件，而第二阶段涉及基于扩散的测量填补组件。此外，所提出的 TSDM 采用精确的均值和最优的方差来加速扩散生成过程，并在次序抽样方面表现出更好的鲁棒性和较低的计算复杂度。

    Dec, 2023

  • MG-TSD: 多粒度时间序列扩散模型的引导式学习过程

    引入了一种新颖的多粒度时间序列扩散（MG-TSD）模型，通过利用数据中的内在粒度级别作为中间扩散步骤的给定目标来指导扩散模型的学习过程，实现了最先进的预测性能。

    Mar, 2024

  • D3AD：动态去噪扩散概率模型用于异常检测

    扩展前述的隐式条件方法，我们提出了一种新的框架，通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力，有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。

    Jan, 2024

  • 关于扩散建模用于异常检测

    该研究探讨了扩散模型在无监督和半监督异常检测中的应用，并在相应的基准测试中表现出了出色的性能，特别是在 DTPM 中，使用深度神经网络提高推断效率，获得了比 DDPM 更快的推理时间和更好的性能。

    May, 2023

  • 预测、优化、合成：自引导扩散模型用于概率时间序列预测

    探索了无特定任务条件下以时间序列为基础的扩散模型，通过自我引导机制，在推理过程中对 TSDiff 进行条件处理，并且不需要辅助网络或改变训练程序。展示了方法在预测、细化和合成数据生成三个时间序列任务中的有效性。

    Jul, 2023

  • TEDi: 长期运动合成的时间交织扩散

    我们提出了一种将渐进扩散概念（沿着扩散时间轴操作）扩展到运动序列的方法，用于支持时变去噪，从而将两个轴相互纠缠，通过迭代去噪逐渐增加噪声位移的动作缓冲区，并产生任意长的帧流，为长期运动合成提供了新的框架。

    Jul, 2023

  • TS-Diffusion: 用扩散模型生成高复杂度的时间序列

    该研究论文介绍了 TS-Diffusion，一个通用模型，适用于处理具有采样不规则性、缺失值和大型特征 - 时间维度等复杂性的时间序列，通过分析、学习和生成时间序列的表示，该模型在传统和复杂时间序列的任务上表现出色，显著优于之前的基准模型。

    Nov, 2023

  • 并非所有步骤相等：高效生成与渐进传播模型

    提出了一种名为 Step-Adaptive Training 的创新训练策略，通过在初始阶段训练一个基础去噪模型来涵盖所有时间步长，然后将时间步长分成不同的组，在每个组内进行微调以实现专门的去噪能力，这种方法不仅提高了模型性能，还显著降低了计算成本。

    Dec, 2023

  • DDMT: 去噪扩散蒙版变换模型用于多元时间序列异常检测

    基于重建模型的适应动态邻居蒙版及 Transformer 和 Denoising Diffusion Model 的相结合的新框架 DDMT，在多元时间序列异常检测方面取得了具有先进性的结果。

    Oct, 2023