TSGDiff：从纯图视角重新思考合成时间序列生成
机器学习
2025-11-18 v1
摘要
扩散模型在数据生成方面显示出巨大的潜力，但生成时间序列数据仍具有挑战性，主要由于需要捕获复杂的时序依赖性和结构模式。本文提出了 \textit{TSGDiff}，一个从图基视角重新思考时间序列生成的新框架。具体而言，我们将时间序列表示为动态图，其中根据傅里叶谱特征和时序依赖性构建边缘。采用基于图神经网络的编码器-解码器架构构建潜在空间，使扩散过程能够有效地建模时间序列的结构表示分布。进一步，我们提出了拓扑结构保真度 (Topo-FID) 评分，这是一个图感知的指标，用于评估时间序列图表示的结构相似性。Topo-FID 集成了两个子指标：图编辑相似度，用于量化邻接矩阵的差异，以及结构熵相似度，用于评估节点度分布的熵。该综合指标提供了对生成时间序列结构保真度更准确的评估。在真实数据集上的实验表明，\textit{TSGDiff} 能够生成高质量的合成时间序列数据，忠实地保留时序依赖性和结构完整性，从而推动了合成时间序列生成领域的发展。
引用
@article{arxiv.2511.12174,
title = {TSGDiff: Rethinking Synthetic Time Series Generation from a Pure Graph Perspective},
author = {Lifeng Shen and Xuyang Li and Lele Long},
journal= {arXiv preprint arXiv:2511.12174},
year = {2025}
}
备注
Accepted by AAAI 2026