时间序列潜在扩散的后验稳定性研究

潜在扩散在图像生成中展现了有希望的结果，并允许高效采样。然而，当应用于时间序列时，该框架可能遭受后验坍塌问题。在本文中，我们首先表明后验坍塌会将潜在扩散退化为变分自编码器（VAE），使其表达能力降低。这凸显了解决该问题的重要性。然后我们引入一种原则性方法：依赖性度量，用于量化循环解码器对输入变量的敏感性。利用这一工具，我们确认后验坍塌显著影响真实数据集上的时间序列潜在扩散，并且在打乱的时间序列情况下还发现了一种称为依赖性幻觉的现象。最后，基于我们的理论和实证研究，我们引入了一个新框架，扩展了潜在扩散并具有稳定的后验。在多个真实时间序列数据集上的大量实验表明，我们的新框架没有后验坍塌，并且在时间序列合成方面显著优于之前的基线方法。