中文

信号还是噪声？理解真实世界传感器时间序列的生成模型

机器学习 2026-07-05 v1 人工智能
作者: Zitao Shuai , Zongzhe Xu , Yuntian Wu , Sirui Li , Tianhong Li , Yuzhe Yang
在 arXiv 上查看 ↗ PDF ↗

摘要

生成模型已经改变了机器学习表示复杂数据分布的方式，尤其是在语言和视觉领域，然而许多真实世界的系统反而是以连续、高维和嘈杂的传感器时间序列形式被观测到的。然而，现有的传感器数据生成建模在模态、数据集和任务表述上仍然支离破碎，限制了系统性地理解生成模型在真实世界环境中何时、如何以及为何成功或失败。为了弥补这一差距，我们引入了SensorGen，一项大规模的传感器信号生成研究，涵盖4个领域的14种设置、7个数据集和12种信号模态。利用SensorGen，我们系统地评估了来自五个主要家族的生成模型，并发现了三个关键发现：（1）流匹配模型在大多数设置中提供了强大的整体性能；（2）信号属性很重要，人口统计学协变量改善了纵向生成，时频建模改善了高频信号生成；（3）生成的信号除了视觉真实性外还具有实际效用，扩展提高了生成质量，合成数据改善了下游性能。总之，SensorGen建立了对真实世界传感器数据生成中设计选择、评估协议和失败模式的更广泛理解。

关键词

生成模型 传感器时间序列 流匹配 信号生成 评估 合成数据 真实世界数据

引用

@article{arxiv.2607.04245,
  title  = {Signal or Noise? Understanding Generative Models for Real-World Sensor Time Series},
  author = {Zitao Shuai and Zongzhe Xu and Yuntian Wu and Sirui Li and Tianhong Li and Yuzhe Yang},
  journal= {arXiv preprint arXiv:2607.04245},
  year   = {2026}
}