SigDiffusions: 基于得分的扩散模型用于长期时间序列数据通过 Log-Signature 嵌入

Jun, 2024

SigDiffusions: 基于得分的扩散模型用于长期时间序列数据通过 Log-Signature 嵌入

SigDiffusions: Score-Based Diffusion Models for Long Time Series via Log-Signature Embeddings

Barbora Barancikova, Zhuoyue Huang, Cristopher Salvi

TL;DRSigDiffusion 是一种新颖的扩散模型，通过在数据的对数签名嵌入上逐步扰动和去噪，以保留其代数结构，从而生成高度逼真的时间序列。与现有基于谱或正交多项式基础上的逆变换公式相结合，SigDiffusion 在合成和真实世界的各种数据集上能够与最先进的方法竞争。

Abstract

score-based diffusion models have recently emerged as state-of-the-art generative models for a variety of data modalities. Nonetheless, it remains unclear how to adapt these models to generate long multivariate time series. Viewing a time series as the discretization of an underlying c

score-based diffusion models sigdiffusion time series generation log-signature embeddings inversion formulae

发现论文，激发创造

基于扩散生成模型与评分匹配的变分视角

本文通过导出一个变分框架来推导连续时间生成扩散理论，并表明该理论中最小化匹配得分损失等价于最大化该理论内所提出的可逆 SDE 插件的似然度的下限。

Jun, 2021

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

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

基于狄利克雷扩散分数模型的生物序列生成方法

使用 Dirichlet 扩散分数模型实现生物序列的生成及 DNA 序列设计。

May, 2023

频域中的时间序列扩散

傅里叶分析和扩散模型之间存在重要的协同关系，通过在频域表示时间序列，频率扩散模型能更好地捕捉训练分布，进行了经验证实的评估。

Feb, 2024

非去噪前向时间扩散

该论文通过扩散过程进行生成模型，通过选择适当的扩散桥混合，构造了以所需数据分布为目标的扩散过程，并且通过新的训练目标，可以通过神经网络进行逼近。

Dec, 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

函数空间中的基于分数的扩散模型

本研究提出了一种名为去噪扩散算子的数学严谨框架，用于在函数空间中训练扩散模型，将它推广到无限维函数空间的应用，其中前向过程是逐渐扰动输入函数，生成过程是通过积分的函数值 Langevin 动力学实现。

Feb, 2023

子空间扩散生成模型

通过在噪声映射运行限制后的高维扩散过程，实现基于评分模型生成高质量样本且减少计算量的方法。

May, 2022

嵌入及签名学习

本文介绍了一种新颖的序列学习方法，即基于粗路径理论的签名方法，该方法通过嵌入将离散采样数据表示为路径。作者深入研究了三个数据集，并表明特定的 embedding 方法，称为 “lead-lag embedding”，在所有考虑的算法和数据集上表现最好。通过一个实证研究，作者还发现将整个路径域上的 signature 与其他简单算法相结合，可以达到与特定领域专门方法相竞争的结果。

Nov, 2019