ICLRMar, 2024

MG-TSD: 多粒度时间序列扩散模型的引导式学习过程

PDF
TL;DR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。
diffusion probabilistic modelsgenerative time series forecastingmulti-granularity time series diffusionpredictive performancefine-grained data
发现论文，激发创造
  • 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

  • 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

  • 扩散模型的迁移学习

    该论文介绍了一种名为 Transfer Guided Diffusion Process (TGDP) 的新方法，用于在目标领域中将预训练的扩散模型与域分类器的额外指导相结合，以实现优化后的扩散模型，进一步将 TGDP 扩展为用于建模数据及其对应标签的条件版本，并引入两个附加的正则化项以提高模型性能，通过高斯混合模拟和真实心电图数据集验证了 TGDP 方法的有效性。

    May, 2024

  • 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

  • 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

    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。

    Dec, 2023

  • 基于动态高斯混合的深度生成模型，用于稀疏多元时间序列的鲁棒预测

    提出了一种基于生成模型的方法，使用动态高斯混合分布跟踪潜在群集的过渡，实现了时间序列的强大建模，具有参数化的神经网络和结构化推理网络，并引入了一个门控机制来动态调整高斯混合分布。

    Mar, 2021

  • 随机扩散：一种用于随机时间序列预测的扩散概率模型

    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

  • 深度时间分解：大规模时空生成模型

    通过提出一种基于 Transformer 的扩散模型（TDDPM）来解决时间序列生成模型在处理移动性数据时的限制和挑战，并在新的综合基准测试中显示了显著的改进和扩展性。

    Jun, 2024

  • 自回归去噪扩散模型用于多元概率时间序列预测

    本研究提出了一种基于 TimeGrad 的自回归模型，用于多元概率时间序列预测，该模型在每个时间步长从数据分布中采样，通过估计梯度进行采样，采用扩散概率模型，优化可变界，通过 Langevin 采样将白噪声转换为感兴趣的分布样本，在实验中表明，该模型是当前实现多元概率预测的最佳方法之一，可实际应用于数千个相关维度的真实数据集。

    Jan, 2021

  • 融合扩散模型的概率时空图学习方法

    在这篇论文中，我们提出了统一的时空扩散模型（USTD），以条件信息和共享的时空模式为基础，统一地处理学习任务。USTD 综合设计了共享的时空编码器和基于注意力的去噪网络，有效捕捉条件时空模式并生成预测。与确定性编码器和概率扩散模型的优点相结合，USTD 在预测和 Kriging 的下游任务中取得了最先进的性能，并提供了宝贵的不确定性估计。

    Oct, 2023