DiM-TS：连接选择性时序空间模型与时间序列的扩散生成建模
机器学习
2025-11-25 v1
摘要
时间序列数据在广泛的领域中发挥着关键作用，但面临隐私问题等挑战。最近，通过扩散模型合成数据被视为有前景的解决方案。然而，现有方法仍难以捕捉长程时序依赖性和复杂通道间关系。在本研究中，我们旨在利用称为 Mamba 的状态空间模型的序列建模能力，将其适用于时间序列数据生成。我们首先分析了状态空间模型的核心局限性，即缺乏对相关时序滞后和通道置换的考虑。基于此洞察，我们提出了 Lag Fusion Mamba 和 Permutation Scanning Mamba，这两种增强模型在去噪过程中辨识显著模式的能力。理论分析表明，两种变体都与原始 Mamba 具有统一的矩阵乘法框架，从而深入理解我们的方法。最后，我们整合了两种变体，引入 Diffusion Mamba for Time Series (DiM-TS)，这是一种高质量的时间序列生成模型，能够更好地保留时间周期性和通道间相关性。广泛的实验在公共数据集上表明，DiM-TS 在生成逼真的时间序列方面具有优势，同时保留了数据的多样性属性。
引用
@article{arxiv.2511.18312,
title = {DiM-TS: Bridge the Gap between Selective State Space Models and Time Series for Generative Modeling},
author = {Zihao Yao and Jiankai Zuo and Yaying Zhang},
journal= {arXiv preprint arXiv:2511.18312},
year = {2025}
}