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

本研究调查了扩散模型在时间序列预测中的应用，介绍了扩散模型的背景信息、条件方法以及其在时间序列预测中的应用，并对 11 个具体的时间序列实现进行了分析、比较和介绍。本研究在扩散模型在时间序列预测中的应用和对当前领域的最新研究方向提供了全面的探索，为人工智能和时间序列分析领域的研究人员提供了有价值的资源。

Jan, 2024

通过收集相关数据集、模型资产和有用工具，我们提供了面向时间序列和时空数据的大规模模型研究的最新进展，强调其坚实的基础、当前的进展、实际应用、丰富资源和未来的研究机会。

Oct, 2023

本文综述了最近的扩散模型在结构化数据中的应用情况及相关研究工作，重点介绍了基于分数的扩散模型理论以及在数据驱动的常规任务和特定领域应用中采用结构化数据模型的先驱工作，分析和讨论了现有工作的局限性和挑战，并提出了潜在的研究方向。

Jun, 2023

利用趋势和季节信息的条件特征和对比学习，C$^2$TSD 能更好地生成稳定和泛化性能强的模型，在三个真实数据集上的广泛实验显示其优越性能。

Feb, 2024

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

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

我们介绍了一种基于概率扩散模型的新型生成框架，用于多样化生成时空湍流。我们的方法在贝叶斯框架内统一了无条件和条件抽样策略，并能适应各种条件情景，包括指定条件与生成的非稳定流动结果之间具有直接可微分链接的情况以及缺乏明确相关性的情况。我们的方法的一个显著特点是基于自回归梯度条件抽样的长时跨度流动序列生成方法，在没有繁琐的重新训练过程的情况下完成。通过一系列数值实验展示了我们框架的多样化湍流生成能力，包括：1）从 URANS 输入合成 LES 模拟的瞬态流动序列；2）从给定的初始条件、规定的湍流统计数据或完全从头开始生成非均匀的、各向异性的壁面湍流；3）从不同输入分辨率的低分辨率数据中实现高速湍流边界层流动的超分辨生成。综合而言，我们的数值实验突显了所提方法的优点和变革潜力，在湍流生成领域取得了重大进展。

Nov, 2023

文章提出了一种新的 diffusion model 的训练方法，通过将数据中的时间动态信息直接耦合在网络的 diffusion steps 中，训练了一个 stochastic time-conditioner interpolator 和一个 backbone forecaster network，从而实现了多步和长距离的时序预测能力。实验结果表明该方法对于复杂的动态状态预测有较强的表现。

Jun, 2023

我们提出了一种扩展的扩散模型，用于表格数据的数据填充和数据生成任务，通过引入条件注意机制、编码器 - 解码器 Transformer 和动态遮蔽来提高模型的性能。

Jul, 2024