Jul, 2024

Diff-MTS: 基于时间增强的条件扩散工业时间序列的 AIGC，面向大模型时代

HTML
PDF
TL;DR提出了Diff-MTS，一种基于时间增强的条件自适应扩散模型，用于工业多变量时间序列（MTS）的生成。综合实验表明，与基于GAN的方法相比，Diff-MTS在多样性、保真度和实用性方面表现更好，促进了工业数据的生成和工业大模型的构建。
发现论文，激发创造
  • 通过条件生成式对抗网络进行时间序列模拟

    本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨GAN和神经网络与现有统计方法之间的联系，最终展示了CGAN在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。

    Apr, 2019

  • 条件Sig-Wasserstein GANs用于时间序列生成

    本研究通过引入数学原理的特征提取技术“路径签名”将生成式对抗网络（GANs）与时间序列数据相结合，开发了一种新型判别器和生成器方法，能够成功地在合成数据和实际数据集上优化相似性和预测能力的性能表现。

    Jun, 2020

  • 时序生成的条件 GAN

    本文提出了一种新型时序生成对抗网络(Time Series GAN，TSGAN)，并以基准时序数据库中的70个数据集作为评估对象，证明了TSGAN相较竞争对手表现更好，既在Frechet Inception Score(FID)度量中表现更佳，也在分类评估标准上具有更好的定性表现。

    Jun, 2020

  • 基于Sig-Wasserstein的GANs用于时间序列生成

    本文介绍了SigWGAN时间序列生成器，它将连续时间随机模型与新提出的签名$W_1$度量相结合，可以加速人工智能机器学习流程的开发和部署，并在量化风险模型和实证财务数据中验证了其性能。

    Nov, 2021

  • 基于Transformer的条件生成对抗网络用于多元时间序列生成

    本文通过引入编码上下文并在条件生成对抗网络中使用，扩展了基于Transformer的时间序列生成对抗网络 (TTS-GAN)，从而可以使用一个模型来拟合具有多个子组件的混合分布。通过定性和定量的评估指标，我们展示了该模型可以生成高维度和长时间序列数据，并在不同条件下具有较好的性能。

    Oct, 2022

  • PCF-GAN: 通过路径空间上的测度特征函数生成序列数据

    本文提出了一种名为 PCF-GAN 的新型生成对抗网络，将路径特征函数（PCF）作为时间序列分布的原则表示，并将其并入鉴别器以增强其生成性能，同时通过序列嵌入将自编码器结构集成到模型中，实现了复杂时间序列数据的生成和重构。实验证明，PCF-GAN 在生成和重构质量上始终优于现有技术。

    May, 2023

  • Diff-Instruct: 从预训练扩散模型中传递知识的通用方法

    本文介绍了利用预训练扩散模型在数据自由的情况下对其他生成模型进行学习转移的Diff-Instruct框架，其中包括深入探讨的新的KL发散-Integral Kullback-Leibler（IKL）分散演化过程以及与已有方法如DreamFusion和生成对抗性训练的非平凡关系，并在两种情况下进行了实验以展示Diff-Instruct的效力和普适性。

    May, 2023

  • 时间编织者：一种条件时间序列生成模型

    基于异构元数据的时序生成，Time Weaver模型通过利用分类、连续和时变变量显著提高时序生成，并创新性地提出了适用于时序领域的评估指标，证明在真实世界的能源、医疗、空气质量和交通数据集上，在下游分类任务中性能优于生成对抗网络（GANs）。

    Mar, 2024

  • 工业时间序列的AIGC：从深度生成模型到大规模生成模型

    研究生成模型在工业时间序列数据中的广泛应用和发展，提出了基于深度生成模型和大型生成模型的工业时间序列数据生成框架，并分析了构建大型生成模型所需的关键技术，包括大规模数据集、用于表征工业特征的模型结构、自监督训练以及工业下游任务的微调，最后总结了未来发展中面临的挑战和方向。

    Jul, 2024

  • EnergyDiff：基于扩散模型的通用时间序列能源数据生成

    能源系统数据合成方法能提供高分辨率时间序列数据，EnergyDiff作为通用数据生成框架，通过利用最新的去噪扩散概率模型和引入新的边缘校准技术，在捕捉时间依赖性和边缘分布方面取得显著改进。

    Jul, 2024