基于神经受控微分方程的通用时序生成
机器学习
2026-05-28 v1
摘要
最近的工作在状态空间模型（SSM）的序列普适性方面引入了高效、最大表达的连续时间方法用于时序建模。虽然这些工作聚焦于判别性场景，但我们将视角扩展到生成时序建模，通过证明最大表达的结构化线性受控微分方程（SLiCE）在 度量下可逼近连续因果推动作用于紧致潜在集上的路径律，表明其为通用时序生成器。基于这些理论结果，我们提出生成型 SLiCE（G-SLiCE），一种用于路径空间流匹配的最大表达连续时间模型。经验上，我们展示表达性提升在概率预测和下游任务中的性能，同时保留连续时间模型的优势，如可泛化至任意观测网格。对于不规则网格尤其有益，固定网格模型往往难以应对。
引用
@article{arxiv.2605.28507,
title = {Universal Time Series Generation with Neural Controlled Differential Equations},
author = {Torben Berndt and Elyes Farjallah and Leif Seute and Raeid Saqur and Benjamin Walker and Jan Stühmer},
journal= {arXiv preprint arXiv:2605.28507},
year = {2026}
}