条件扩散模型的语义引导推断：增强时间序列预测中的协变量一致性
机器学习
2025-08-05 v1 人工智能
摘要
扩散模型在时间序列预测中展现出强大的性能，但在复杂或多模态条件下，往往存在生成轨迹与条件协变量之间的语义错位。为此，我们提出了 SemGuide，一种即插即用的推理时方法，通过评估扩散中间状态与未来协变量之间的语义对齐程度来增强协变量一致性。该方法引入评分网络，以衡量语义对齐的分数，并将其作为代理似然度，用于逐步重要性重加权程序，以 progressively 调整采样路径，而不改变原始训练过程。该方法具有模型无关性，兼容任何条件扩散框架。在真实世界预测任务上的实验表明，SemGuide 在预测准确率和协变量对齐度上均实现了稳定提升，尤其在复杂条件情境下表现尤为突出。
引用
@article{arxiv.2508.01761,
title = {Semantically-Guided Inference for Conditional Diffusion Models: Enhancing Covariate Consistency in Time Series Forecasting},
author = {Rui Ding and Hanyang Meng and Zeyang Zhang and Jielong Yang},
journal= {arXiv preprint arXiv:2508.01761},
year = {2025}
}