本篇综述着重探讨了基于扩散模型的时间序列预测、插补和生成方法，并比较了不同应用的方法及其联系，最后总结了现有的限制与未来的发展方向。

May, 2023

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

我们提出了一种使用扩散生成模型的新方法，该模型能够预测基于历史事件序列的多步预测，并学习多个事件类型的类型和时间间隔的联合概率分布，以实现对长时间跨度的预测。

Oct, 2023

生成人工智能是指生成合成但逼真的输出的算法。扩散模型在图像生成人工智能中目前达到最高水平，并在包括文本到图像生成器和大型语言模型在内的更通用工具中起着关键作用。

Dec, 2023

扩散模型是强大且通用的生成式人工智能技术，在计算机视觉、音频、强化学习和计算生物学等领域取得了巨大的成功。本文回顾了扩散模型的新兴应用，理解了它们在各种控制下的样本生成。同时，我们概述了现有的扩散模型理论，涵盖了它们的统计性质和采样能力。进一步地，我们评述了通过条件扩散模型进行高维结构化优化的新途径，将解决方案的搜索重新定义为条件采样问题，并通过扩散模型进行求解。最后，我们讨论了扩散模型的未来发展方向。本文旨在为刺激前瞻性的扩散模型理论和方法提供全面的理论介绍。

Apr, 2024

本篇综述论文全面而彻底地回顾了扩散模型在时间序列和时空数据分析中的应用，通过按照模型类别、任务类型、数据模态和实际应用领域进行分类，提供了对这些模型分析和生成数据的基本了解，旨在为研究人员和从业者提供一个全面的扩散模型应用的理解，以解决传统挑战并在扩散模型框架下探索创新解决方案。

Apr, 2024

通过利用扩散概率模型和随机扩散（StochDiff）模型，本研究提出了一种新型方法，学习每个时间步长的数据先验知识，从而更好地对高度随机化的时间序列进行建模，通过实验验证了该方法在随机时间序列预测中的有效性，并展示了在实际医疗指导中的应用潜力。

Jun, 2024

本研究针对传统序列模型在高维复杂分布建模和特征间依赖性中的不足，提出了一种新的方法，将递归神经网络的计算效率与扩散模型的高质量概率建模相结合。主要发现是，这种方法能够有效推动生成模型在时间序列预测中的应用，为后续发展提供了新的思路。

Sep, 2024

本研究解决了现有时间序列扩散模型未充分考虑时间序列数据特性的局限性。提出的自适应噪声调度（ANT）方法根据时间序列数据的统计特征自动确定合适的噪声调度，从而提升模型的性能。实验结果表明，该方法在时间序列预测、优化和生成等任务中具有显著的效果。

Oct, 2024

本研究解决了时间序列预测中扩散模型的随机性导致可预测性不稳定的问题。作者提出了一种新颖的扩散基础时间序列预测模型——系列到系列扩散桥模型（$\mathrm{S^2DBM}$），利用布朗桥过程降低反向估计中的随机性，并结合历史时间序列数据的有用先验和条件，提高了预测精度。实验结果表明，$\mathrm{S^2DBM}$在点对点预测中表现优越，并在概率预测中与其他扩散模型有效竞争。

Nov, 2024