TimeAutoDiff：用于异构时间序列表格数据生成、插值、预测及时间变化元数据条件化的统一框架
机器学习
2025-12-09 v3 人工智能
摘要
我们提出 TimeAutoDiff，这是一个用于四种基本时间序列任务的统一潜在扩散框架：无条件生成、缺失数据插值、预测和时间变化元数据条件生成。该模型原生支持包括连续型、二元型和分类型变量在内的异构特征。我们采用掩码建模策略统一所有任务，其中二元掩码指定哪些时间序列单元格是已观测的，哪些需要生成。TimeAutoDiff 将一个轻量变分自编码器（VAE），其将混合类型特征映射到连续潜在序列，与一个在该潜在空间中学习时序动态的扩散模型相结合。两种架构选择提供了显著的加速和可扩展性优势。扩散模型一次性采样整个潜在轨迹，而非逐个时间步去噪，大大减少了反向扩散调用次数。此外，VAE 在特征轴上进行压缩，使其能够在低维潜在空间中高效地对宽表格进行建模。经验评估表明，TimeAutoDiff 在合成序列保真度方面与强大基线相当，并持续改进插值和预测性能。元数据条件化使用户能够编辑元数据序列，从而产生保持跨特征依赖关系的连贯反事实轨迹。消融研究凸显了 VAE 特征编码和去噪器关键组件的重要性。距离最近记录审计进一步表明该模型能够在不过度记忆的前提下实现泛化。代码已公开于 https://github.com/namjoonsuh/TimeAutoDiff
引用
@article{arxiv.2406.16028,
title = {TimeAutoDiff: A Unified Framework for Generation, Imputation, Forecasting, and Time-Varying Metadata Conditioning of Heterogeneous Time Series Tabular Data},
author = {Namjoon Suh and Yuning Yang and Din-Yin Hsieh and Qitong Luan and Shirong Xu and Shixiang Zhu and Guang Cheng},
journal= {arXiv preprint arXiv:2406.16028},
year = {2025}
}