基于流匹配的时序生成：面向随机感知与高效

生成高质量时序数据已成为支撑下游时序挖掘任务的关键研究主题。主要挑战在于建模时序动态的内在随机性，因为真实序列常常表现出随机波动和局部变化。虽然扩散模型取得了显著成功，但其生成过程计算效率低下，往往需要数百至数千次昂贵的函数评估。流匹配方法近年来显示出更高效的范式，但其传统的常微分方程(ODE)基 formulate 无法显式捕捉随机性，从而限制了生成序列的保真度。与此相比，随机微分方程(SDE)天然适合建模随机性和不确定性。基于这些洞见，我们提出TimeFlow，一种新型的SDE基流匹配框架，集成encoder-only architecture。具体设计中，我们构建分量级分解的velocity field以捕捉时序的多维结构，并在标准flow-matching优化中引入额外的随机项以增强表示能力。TimeFlow灵活通用，支持统一框架下的unconditional与conditional生成任务。广泛实验表明，我们的模型在生成质量、多样性和效率方面均 consistently 优于强基准。