将类脑记忆作为扩散模型的先验以预测多变量时间序列
机器学习
2024-09-30 v1
摘要
多变量时间序列 (MTS) 预测在各种应用领域中面临重大挑战。一个直接的挑战是用有限长度的输入建模时间模式。这些时间模式通常涉及在不同通道间复现的周期性事件和突发事件。为了更好地捕捉时间模式，我们从人类的记忆机制中获取灵感，为 MTS 提出了一个通道共享的类脑记忆模块。具体而言，类脑记忆包含语义记忆和情景记忆，前者用于捕捉一般模式（如周期性事件），后者用于捕捉特殊模式（如突发事件）。同时，我们设计了相应的回忆与更新机制以更好地利用这些模式。此外，认识到扩散模型利用记忆作为先验的能力，我们提出了一种类脑记忆增强扩散模型。这一创新模型为不同通道检索相关记忆，将其作为 MTS 预测的独立先验。这种结合显著提升了预测的准确性与鲁棒性。在八个数据集上的实验结果一致验证了我们的方法在捕捉和利用不同通道间各种复现时间模式方面的优越性。
引用
@article{arxiv.2409.18491,
title = {Treating Brain-inspired Memories as Priors for Diffusion Model to Forecast Multivariate Time Series},
author = {Muyao Wang and Wenchao Chen and Zhibin Duan and Bo Chen},
journal= {arXiv preprint arXiv:2409.18491},
year = {2024}
}