预测、精炼、合成：用于概率时间序列预测的自引导扩散模型
机器学习
2023-11-23 v3 人工智能
机器学习
摘要
扩散模型已在各领域的生成建模任务中取得最先进的性能。先前关于时间序列扩散模型的工作主要集中于开发针对特定预测或填补任务的conditional模型。在本工作中，我们探索了任务无关、无条件扩散模型在若干时间序列应用中的潜力。我们提出TSDiff，一种为时间序列训练的无条件扩散模型。我们提出的自引导机制能够在推理期间将TSDiff用于下游任务的条件化，无需辅助网络或修改训练过程。我们在三个不同的时间序列任务上展示了方法的有效性：预测、精炼和合成数据生成。首先，我们表明TSDiff与若干任务特定的条件预测方法（预测）具有竞争力。其次，我们利用TSDiff学到的隐式概率密度，以低于反向扩散的计算开销迭代精炼基预测器的预测（精炼）。值得注意的是，模型的生成性能保持完好——在TSDiff合成样本上训练的下游预测器优于在其他最先进生成时间序列模型样本上训练的预测器，偶尔甚至优于在真实数据上训练的模型（合成）。
引用
@article{arxiv.2307.11494,
title = {Predict, Refine, Synthesize: Self-Guiding Diffusion Models for Probabilistic Time Series Forecasting},
author = {Marcel Kollovieh and Abdul Fatir Ansari and Michael Bohlke-Schneider and Jasper Zschiegner and Hao Wang and Yuyang Wang},
journal= {arXiv preprint arXiv:2307.11494},
year = {2023}
}
备注
Code available at https://github.com/amazon-science/unconditional-time-series-diffusion