随机扩散：一种用于随机时间序列预测的扩散概率模型

Jun, 2024

随机扩散：一种用于随机时间序列预测的扩散概率模型

Stochastic Diffusion: A Diffusion Probabilistic Model for Stochastic Time Series Forecasting

Yuansan Liu, Sudanthi Wijewickrema, Dongting Hu, Christofer Bester, Stephen O'Leary...

TL;DR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。

Abstract

Recent innovations in diffusion probabilistic models have paved the way for significant progress in image, text and audio generation, leading to their applications in generative time series forecasting. However,

diffusion probabilistic models stochastic diffusion (stochdiff) model time series forecasting temporal dynamics surgical guidance

发现论文，激发创造

STDiff: 连续随机视频预测的时空扩散

提出一种新颖的视频预测模型，该模型具有无限维度潜在变量，通过分解视频运动和内容信息，预测时态运动信息，以及在预测的运动特征和前一帧的条件下自回归生成视频帧。此模型具有更好的表达能力和更强的随机性学习能力，达到了最先进的视频预测性能，并能以任意高帧率进行时间连续预测。

Dec, 2023

时间序列应用的扩散模型：一项调查

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

视频生成的扩散概率建模

本文提出了一种自回归、端到端优化的视频扩散模型，受到神经视频压缩技术的启发，可用于生成高质量的视频，并提出了可扩展的连续排名概率得分（CRPS）方法，以评估视频的概率预测能力，该方法在自然和仿真视频的多个数据集上比先前方法的感知质量和概率预测有着显著的提高。

Mar, 2022

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

概率扩散模型讲义

扩散模型通过训练大量数据点，利用逐渐添加随机噪声和逆扩散过程将数据样本从复杂分布转换为简单分布，并学习数据流形，优于其他方法（包括生成对抗网络）来建模自然图像等分布。

Dec, 2023

时间序列预测中扩散模型的崛起

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

DYffusion: 基于动态信息的时空预测扩散模型

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

一种灵活的扩散模型

本研究提出了一个通用的模型参数化框架，尤其是针对前向 SDE 的空间部分，通过理论保障和实验证明了其优越性。

Jun, 2022

非自回归条件扩散模型用于时间序列预测

本文提出了一种基于 non-autoregressive diffusion model 的时间序列预测模型 TimeDiff，通过引入 future mixup 和 autoregressive initialization 两种新的条件机制，实现了高质量的时间序列预测，并在实验中展现了超过现有模型的表现。

Jun, 2023

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