将时间序列的低级与高级语义进行混合以提高掩码时间序列生成质量
机器学习
2024-08-30 v1
摘要
时间序列生成（TSG）的最新方法，如 TimeVQVAE，利用基于向量量化的标记化有效地建模时间序列的复杂分布。这些方法首先学习将时间序列转换为离散潜在向量序列，然后学习先验模型来建模该序列。然而，这些离散潜在向量仅捕获低级语义（例如形状）。我们假设，通过在包含低级和高级语义（例如特征动力学）的更具信息性离散潜在向量上训练先验模型，可生成更高保真度的时间序列。本文引入一种新框架，称为 NC-VQVAE，将自监督学习集成到这些 TSG 方法中，以导出一种捕获低级和高级语义的离散潜在空间。我们的实验结果表明，NC-VQVAE 在合成样本质量方面显著提升。
引用
@article{arxiv.2408.16613,
title = {Blending Low and High-Level Semantics of Time Series for Better Masked Time Series Generation},
author = {Johan Vik Mathisen and Erlend Lokna and Daesoo Lee and Erlend Aune},
journal= {arXiv preprint arXiv:2408.16613},
year = {2024}
}