Generating Personalized Insulin Treatments Strategies with Deep Conditional Generative Time Series Models
University of Zurich（苏黎世大学）；University Hospital of Zurich（苏黎世大学医院）
结合深度生成时间序列模型与决策理论，生成个性化胰岛素治疗方案，以优化住院糖尿病患者的血糖预测与治疗策略。
2023-11-13 cs.LG stat.ML
Quantifying Quality of Class-Conditional Generative Models in Time-Series Domain
IAV GmbH（IAV有限公司）；DFKI GmbH（德国人工智能研究中心）；University of Kaiserslautern（凯泽斯劳滕大学）
针对时间序列生成模型缺乏共识质量评估的问题，本文提出 ITS 与 FITD，并在 80 个数据集上验证其与 TSTR 结合可准确评估类别条件生成性能。
2022-10-14 cs.LG stat.ML
TAnoGAN: Time Series Anomaly Detection with Generative Adversarial Networks
Queensland University of Technology（昆士兰科技大学）
时间序列数据的异常检测是制造业、医学成像和网络安全等应用领域面临的一个重要问题。近年来，生成对抗网络（GAN）在图像域的生成和异常检测方面受到了关注。在本文中，我们提出了一种新的基于GAN的无监督方法TAnoGan，用于在少量数据点可用时检测时间序列中的异常。我们用46个真实世界的时间序列数据集来评估TAnoGan，这些数据集涵盖了各个领域。大量的实验结果表明，TAnoGan表现优于传统的和神经网络模型。
2020-09-25 cs.CV cs.LG stat.ML
An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
Department of Information Systems & Analytics（信息系统与分析系）；Farmer School of Business（农民商学院）
ReGEN-TAD通过结合现代机器学习与经济计量诊断，提出了一种可解释的生成框架，用于高维金融时间序列中的异常检测，提升了鲁棒性和经济一致性。
2026-03-09 cs.LG stat.ML
Leveraging Image-based Generative Adversarial Networks for Time Series Generation
Humboldt University of Berlin（柏林洪堡大学）
本文提出扩展跨期回报图（XIRP）作为时间序列的二维图像表示，利用WGAN-GP生成合成数据，在预测能力上显著优于基于RNN的生成模型，并引入改进的随机反演提升模拟质量。
2023-08-31 cs.CV cs.LG stat.ML
TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series
Aalto University（阿尔托大学）；The University of Manchester（曼彻斯特大学）
针对时间序列数据稀缺敏感、难以共享及应用数据密集型方法的问题，提出开源框架TSGM，集成多种生成方法与多维度质量评估，支持扩展与命令行操作，经公开数据集和生产验证有效。
2024-07-09 cs.LG stat.ML
Timer: Generative Pre-trained Transformers Are Large Time Series Models
BNRist, Tsinghua University（清华大学BNRist）
本文提出Timer，通过将异构时间序列统一为S3格式并进行GPT式生成预训练，构建大型时间序列模型，统一处理预测、插补和异常检测任务。
2024-10-18 cs.LG stat.ML
ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
ProGen提出利用随机微分方程和扩散生成模型进行概率时空预测，通过整合去噪分数模型与图神经网络，在四个交通数据集上超越现有确定性与概率模型。
2024-11-02 cs.LG stat.ML
Learning to Generate Time Series Conditioned Graphs with Generative Adversarial Nets
Xidian University（西安电子科技大学）
针对现有图生成方法缺乏节点级语义上下文条件的问题，本文提出TSGG-GAN模型，实现以多变量时间序列为条件生成对应关系图，经合成与真实基因调控网络实验验证了其有效性与泛化性。
2023-08-27 cs.LG cs.SI stat.ML
Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling
Norwegian University of Science and Technology（挪威科技大学）；Telenor Research（挪威电信研究院）；BI Norwegian Business School（挪威商学院）；HANCE（汉思）
本文提出 TimeVQVAE-AD，利用时频域离散隐空间中的掩码生成建模进行时间序列异常检测，并通过频带异常分数和反事实采样提升可解释性，在 UCR 数据集上显著优于现有方法。
2024-07-31 cs.LG stat.ML
Multivariate time-series modeling with generative neural networks
University of Waterloo（滑铁卢大学）
提出了一种基于生成矩匹配网络的多变量时间序列联合新息分布相关模型。针对MTS数据相关性建模的Copula-Gestival方法，提出了一种基于GMMN-Gestival方法的建模框架。首先，ARMA-GARCH模型被用来捕捉每个单变量边际时间序列内的序列相关性。其次，如果边缘时间序列的数量是大的，主成分分析（PCA）被用作降维步骤。最后，其余的横截面依赖性是通过GMMN建模，这项工作的主要贡献。GMMN是高度灵活的，易于模拟，这是一个主要的优势，copula-Gesthem方法。涉及收益率曲线建模和外汇汇率收益率分析的应用表明了GMMN-Gestern方法的实用性，特别是在产生更好的经验预测分布和做出更好的概率预测方面。
2021-10-01 cs.LG stat.ME stat.ML
Generative Modeling of Approximately Periodic Time Series by a Posterior-Weighted Gaussian Process
Josef Ressel Centre for Intelligent and Secure Industrial Automation（约瑟夫·雷斯尔智能与安全工业自动化中心）；Salzburg University of Applied Sciences（萨尔茨堡应用科学大学）
本文提出一种随机生成模型，用于处理近似周期性时间序列，通过后验加权高斯过程分离重复内部结构与重复间变异性，实现生成分布在重复间平滑变化。
2026-05-13 cs.LG stat.ML
Testing for the Markov Property in Time Series via Deep Conditional Generative Learning
University of California at Berkeley（加州大学伯克利分校）；London School of Economics and Political Science（伦敦政治经济学院）
本文提出一种基于深度条件生成学习的非参数检验方法，用于检验高维时间序列的马尔可夫性质并推断模型阶数，通过双重稳健统计量和交叉拟合实现参数收敛速度，模拟与实证验证了其有效性。
2023-05-30 cs.LG stat.ML
Evaluating generation of chaotic time series by convolutional generative adversarial networks
Applied Chaos（应用混沌（机构））
本研究训练深度卷积生成对抗网络生成混沌时间序列，并通过非线性时间序列分析发现，生成的序列能很好再现原混沌特性，但存在不可忽略的大误差。
2023-08-04 cs.LG nlin.CD
Quantum Generative Diffusion Model for Real-World Time Series
Kingston University London（伦敦金斯顿大学）；University of Florence（佛罗伦萨大学）；Brunel University of London（伦敦布鲁内尔大学）
提出首个量子生成扩散模型QDiffusion-TS，通过量子神经网络替换去噪Transformer中的前馈组件，在IQM量子处理器上验证，在金融时间序列合成中Wasserstein距离降低44%，下游预测RMSE提升71%。
2026-06-29 cs.LG quant-ph
Dual reparametrized Variational Generative Model for Time-Series Forecasting
King’s College London（伦敦国王学院）
本文提出了一种用于时间序列预测的生成式模型DualVDT。在变分自编码器（VAE）模型中引入双重重参数化变分机制，收紧了模型的证据下限（ELBO），并从理论上证明了其性能的提高。该机制利用基于潜在基于得分的生成模型（SGM），通过逆时随机微分方程和变分祖先采样显式地去除潜在向量上累积的扰动。融合对偶重参数变分密度的隐分布去噪后验。ELBO中的KL发散将减小，以达到更好的模型结果。本文还提出了一种潜在的注意力机制来显式提取多元依赖关系。通过构造局部拓扑和时态关联，在因子关联中同时建立局部时态关联。在多个数据集上的验证和实验表明，DualVDT具有一种新的双重重新参数化结构，通过逆动力学结合局部时间推理来消除潜在扰动，在分析和实验上都具有先进的性能。
2022-03-11 cs.AI cs.LG stat.ML
GT-GAN: General Purpose Time Series Synthesis with Generative Adversarial Networks
Yonsei University（延世大学）；Kakao Corp.（Kakao公司）；Linger Studio Corp.（Linger工作室公司）
时间序列合成是深度学习领域的一个重要研究课题，可用于数据增强。时间序列数据类型可以大致分为规则或不规则。然而，没有现有的生成模型在没有任何模型变化的情况下对这两种类型都表现出良好的性能。因此，我们提出了一个通用的模型，能够合成规则和不规则的时间序列数据。据我们所知，我们是第一个设计一个通用的时间序列合成模型，这是时间序列合成最具挑战性的设置之一。为此，我们设计了一种基于生成对抗网络的方法，其中许多相关技术被精心集成到一个单一的框架中，从神经常/控制微分方程到连续时间流过程。我们的方法优于所有现有的方法。
2022-10-11 cs.AI cs.LG
Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series
NEC Laboratories America（美国 NEC 实验室）
稀疏多变量时间序列（MTS）预测的目的是建立模型的预测未来值的时间序列，其不完整的过去，这是非常重要的许多新兴的应用。然而，大多数现有的方法单独处理MTS，并且不利用MTS的动态分布，导致当稀疏度高时的次优结果。为了解决这一挑战，我们提出了一种新的生成模型，它跟踪潜在集群的过渡，而不是孤立的特征表示，以实现鲁棒的建模。它的特点是由一个新设计的动态高斯混合分布，它捕获的动态聚类结构，并用于发射时间序列。生成模型由神经网络参数化。一个结构化的推理网络也被设计为使归纳分析。进一步引入门控机制来动态调整高斯混合分布。大量的实验结果在各种现实生活中的数据集证明了我们的方法的有效性。
2021-03-03 cs.AI cs.LG stat.ML
Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN)
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼量化金融研究所）
生成对抗网络（GANs）近年来受到了极大的关注，特别是在计算机视觉中的应用令人印象深刻。然而，与这些例子相比，GANs在时间序列建模（包括预测）方面的应用更为有限。在这项工作中，我们提出了混合密度条件生成对抗模型（MD-CGAN），重点是时间序列预测。我们表明，我们的模型是能够估计的概率后验分布的预测，并在一组基准方法相比，MD-CGAN模型表现良好，特别是在噪声是一个重要组成部分的情况下观察到的时间序列。此外，通过使用高斯混合模型作为输出分布，MD-CGAN提供了非高斯的后验预测。
2020-12-04 cs.LG stat.ML
Time Series (re)sampling using Generative Adversarial Networks
University of Southern Denmark（南丹麦大学）；University of Bristol（布里斯托大学）
提出了一种基于生成对抗网络（GANs）的依赖数据引导过程。我们表明，常见的平稳时间序列过程的动态可以通过GANs学习，并证明在单个样本路径上训练的GANs可以用于从过程中生成额外的样本。我们发现，时间卷积神经网络提供了一个合适的设计的发生器和振荡器，令人信服的样本可以产生的基础上的一个向量的iid正常噪声。我们证明了有限样本特性的GAN采样和建议的引导使用模拟，我们比较的性能，循环块引导的情况下，restauran AR（1）时间序列过程。我们发现，使用GAN的restrobe可以在经验覆盖方面优于循环块自举。
2021-01-30 cs.LG econ.EM stat.ME
Universal randomised signatures for generative time series modelling
University Munich（慕尼黑大学）；Imperial College London（伦敦帝国学院）
本文提出基于离散时间随机签名的新型 Wasserstein 型距离，并以通用逼近结果支撑其用于度量条件分布，进而训练基于储层神经 SDE 的非对抗金融时间序列生成模型。
2024-09-06 cs.LG q-fin.MF stat.ML
DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series
H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院）；Georgia Institute of Technology（佐治亚理工学院）；Northwestern–Argonne Institute for Scientific and Engineering Excellence（西北-阿贡科学与工程卓越研究所）
DoFlow通过基于因果图的流模型实现时间序列的干预和反事实预测，并提供异常检测能力。
2026-03-01 cs.LG stat.ME stat.ML
Neural Stochastic Differential Equations with Change Points: A Generative Adversarial Approach
J.P. Morgan AI Research（摩根大通人工智能研究院）；University at Buffalo（布法罗大学）
针对存在分布偏移的时间序列，本文提出在GAN框架下联合学习多个神经SDE及其变点，并以交替优化和判别器前向输出实现检测。
2024-01-22 cs.LG stat.ML
Power of Quantum Generative Learning
JD Explore Academy（京东探索研究院）；The University of Sydney（悉尼大学）；Peking University（北京大学）
量子力学固有的概率本质引发了设计量子生成学习模型（QGLM）的努力。尽管取得了经验性的成就，基础和潜在的优势QGLM仍然在很大程度上模糊。为了缩小这种知识差距，我们在这里探索QGLM的泛化特性，将模型从学习数据扩展到未知数据的能力。我们考虑了两种典型的量子广义线性模型：量子线路玻恩机和量子生成对抗网络，并明确给出了它们的推广界。结果表明，当量子器件可以直接访问目标分布和采用量子核时，QGLM优于经典方法。我们进一步利用这些推广的界限，表现出潜在的优势，量子态制备和哈密顿学习。QGLM在加载高斯分布和参数化哈密顿量的基态估计方面的数值结果与理论分析一致。我们的工作为定量理解量子生成学习模型的力量开辟了道路。
2022-08-05 cs.LG quant-ph
Time-series Transformer Generative Adversarial Networks
Imperial College London（帝国理工学院）
许多现实世界的任务都受到数据限制的困扰：在某些情况下，只有很少的数据可用，而在其他情况下，数据受到隐私执行法规（例如GDPR）的保护。我们认为，具体的时间序列数据的限制，并提出了一个模型，可以生成合成的时间序列，可以用来代替真实的数据。生成合成时间序列数据的模型有两个目标：1）捕获实序列的逐步条件分布，以及2）忠实地对整个实序列的联合分布进行建模。通过最大似然估计训练的自回归模型可以用于反馈先前预测并用于预测未来预测的系统中;在这种模型中，误差会随着时间的推移而累积。此外，需要一个合理的初始值，使基于MLE的模型不是真正的生成。许多下游任务学习对时间序列的条件分布进行建模，因此，从生成模型提取的合成数据除了执行2）之外还必须满足1）。我们提出了TsT-GAN，这是一个利用Transformer架构来满足需求的框架，并将其性能与五个数据集上的五个最先进模型进行比较，并表明TsT-GAN在所有数据集上实现了更高的预测性能。
2022-05-23 cs.LG
Time-series Imputation and Prediction with Bi-Directional Generative Adversarial Networks
University of Delaware（特拉华大学）
多变量时间序列数据被用于许多分类和回归预测任务，并且递归模型已被广泛用于此类任务。大多数常见的递归模型假设时间序列数据元素是等长的，并且按规则的间隔记录有序的观测值。然而，真实世界的时间序列数据既没有类似的长度，也没有相同数量的观测值。它们也有缺失的条目，这阻碍了预测任务的执行。在本文中，我们通过提出一个模型来处理这些问题，该模型用于对不规则观测和长度变化的缺失条目时间序列数据进行插补和预测。我们提出的模型（Bi-GAN）在生成对抗环境中使用双向递归网络。生成器是一个双向递归网络，它接收实际的不完整数据并估算缺失值。计数器试图区分发生器输出中的实际值和估算值。我们的模型学习如何在输入时间步之间（插补）或输入时间步之外（预测）估算缺失的元素，因此可以作为时间序列数据的有效预测工具。与现有的方法相比，该方法具有三个优点：（a）单一模型可同时用于插补和预测任务;（b）可对具有缺失数据的变长度时间序列进行预测任务;（c）在训练期间不需要知道观察和预测时间窗，这为长期和短期预测提供了灵活的预测窗长度。我们在两个公共数据集和另一个大型真实世界电子健康记录数据集上评估了我们的模型，以估算和预测儿童的体重指数（BMI）值，并在这两种情况下显示出其优越的性能。
2020-09-18 cs.LG stat.ML
Grassmannian Geometry Meets Dynamic Mode Decomposition in DMD-GEN: A New Metric for Mode Collapse in Time Series Generative Models
LIX, École Polytechnique（巴黎综合理工学院 LIX 实验室）；Institute Polytechnique de Paris（巴黎理工学院）；NYU Tandon School of Engineering（纽约大学坦登工程学院）
针对时间序列生成模型模式崩溃问题，提出基于动态模式分解和最优传输的度量DMD-GEN，首次定义时间序列模式崩溃，可量化并解释崩溃模式，在合成与真实数据上验证有效。
2024-12-15 cs.LG
Approximately Equivariant Recurrent Generative Models for Quasi-Periodic Time Series with a Progressive Training Scheme
Institut für industrielle Informationstechnik Technische Hochschule Ostwestfalen-Lippe（东威斯特法伦-利普应用技术大学工业信息技术研究所）
本文提出一种基于递归变分自编码器的生成模型AEQ-RVAE-ST，通过渐进训练方案解决长序列建模中的优化不稳定问题，使模型在近似周期时间序列上表现优异。
2026-04-09 cs.LG
Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection
Indian Institute of Science（印度科学研究所）；FLAME University（FLAME大学）
本文提出一种结合一维DCGAN与Soft-DTW的能源时间序列异常检测方法，通过并行重建加速检测并提升建筑能耗异常识别能力。
2024-02-22 cs.LG
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks
MIT（麻省理工学院）；Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）
时间序列异常可以提供与各个领域面临的关键情况相关的信息，从金融和航空航天到IT，安全和医疗领域。然而，由于异常的模糊定义以及所述数据经常缺乏标签和高度复杂的时间相关性，检测时间序列数据中的异常特别具有挑战性。用于异常检测的当前最先进的无监督机器学习方法遭受可扩展性和可移植性问题，并且可能具有高误报率。在本文中，我们提出了TadGAN，这是一种基于生成对抗网络（GANs）的无监督异常检测方法。为了捕捉时间序列分布的时间相关性，我们使用LSTM递归神经网络作为生成器和批评器的基础模型。TadGAN使用周期一致性损失进行训练，以实现有效的时间序列数据重建。我们进一步提出了几种新的方法来计算重建误差，以及不同的方法来结合重建误差和批评输出来计算异常分数。为了证明我们的方法的性能和通用性，我们测试了几个异常评分技术，并报告最适合的一个。我们将我们的方法与来自多个知名来源（如NASA，Yahoo，Numenta，Amazon和Twitter）的11个数据集上的8种基线异常检测方法进行了比较。结果表明，我们的方法可以有效地检测异常，并优于基线方法在大多数情况下（6出11）。值得注意的是，我们的方法在所有数据集中具有最高的平均F1得分。我们的代码是开源的，可作为基准测试工具。
2020-11-14 cs.LG stat.ML
Time Series Simulation by Conditional Generative Adversarial Net
Wells Fargo（富国银行）
生成对抗网络（GAN）是一种强大的机器学习工具，可用于图像数据的分析和生成。在本文中，我们提出使用条件生成对抗网络（CGAN）学习和模拟时间序列数据。条件可以是包含不同种类辅助信息的分类变量和连续变量。我们的模拟研究表明，CGAN是能够学习不同类型的正常和重尾分布，以及不同的时间序列的相关结构，它可以进一步生成与训练数据分布一致的条件预测分布。我们还提供了一个深入的讨论的基本原理的GAN和神经网络分层样条绘制一个明确的连接与现有的统计方法的分布生成。在实践中，CGAN在市场风险和交易对手风险分析中有着广泛的应用：它可以用于学习历史数据，生成计算风险价值（VaR）和预期短缺（ES）的情景，并预测市场风险因素的变化。我们提出了一个真实的数据分析，包括回测，以证明CGAN是能够优于历史模拟，一个流行的方法在市场风险分析计算的VaR。CGAN还可以应用于经济时间序列的建模和预测，最后给出了CGAN用于经济模型假设冲击分析和潜在CCAR情景生成的实例。
2019-04-25 cs.LG eess.IV stat.ML
DLGAN : Time Series Synthesis Based on Dual-Layer Generative Adversarial Networks
Shandong University（山东大学）
针对随机序列建模难以保持时间依赖和原始特征的问题，本文提出双层 GAN 模型 DLGAN，通过自编码器重建与 GAN 特征对齐两阶段提升时间序列合成质量。
2025-08-29 cs.AI cs.LG
Mitigating Health Data Poverty: Generative Approaches versus Resampling for Time-series Clinical Data
Fondazione Bruno Kessler Research Institute（布鲁诺·凯斯勒基金会研究院）；University of Trento（特伦托大学）；University of Manchester（曼彻斯特大学）
已经开发了几种方法来减轻由于健康数据贫乏而产生的算法偏见，其中少数群体在训练数据集中代表性不足。由于算法的简单性，使用RESTRUCTURE（如SMOTE）来增加少数类是一种广泛使用的方法。然而，这些算法降低了数据的可变性，并可能引入样本之间的相关性，从而导致使用基于GAN的生成方法。生成高维的、时间序列的、真实的数据，提供真实数据的广泛分布覆盖，对于基于RESISTANCE和GAN的方法来说仍然是一项具有挑战性的任务。在这项工作中，我们提出了CA-GAN架构，解决了当前方法的一些缺点，我们使用3343名白人和黑人患者的高维时间序列真实数据集，与SMOTE和WGAN-GP* 进行了详细的比较。我们表明，我们的方法更好地生成少数类的真实数据，并保持在真实数据的原始分布范围内。
2022-10-26 cs.CY cs.LG stat.ML
Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
Cornell University（康奈尔大学）
本文提出弱新息自编码器架构，从非参数平稳时间序列中提取独立同分布新息序列，并证明其贝叶斯充分性，在实时电价预测中优于领先的概率预测和点预测方法。
2024-02-21 cs.LG eess.SP stat.AP
Conditional Generative Models for Counterfactual Explanations
Seldon Technologies（塞尔登科技）
反事实实例为机器学习模型的本地行为提供了人类可解释的洞察力。我们提出了一个通用的框架来生成稀疏的，分布中的反事实模型解释，该解释将所需的目标预测与条件生成模型相匹配，允许用单个向前传递生成批量反事实实例。该方法相对于所使用的生成模型的类型以及底层预测模型的任务是灵活的。这允许将框架直接应用于不同的模态，如图像，时间序列或表格数据，以及生成模型范例，如GANs或自动编码器和预测任务，如分类或回归。我们说明了我们的方法对图像（CelebA），时间序列（ECG）和混合型表格（成人普查）数据的有效性。
2021-01-25 cs.LG stat.ML
Decision-Aware Conditional GANs for Time Series Data
Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）
我们引入决策感知的时间序列条件生成对抗网络（DAT-CGAN）作为时间序列生成的方法。该框架采用了多Wasserstein损失结构化决策相关的数量，捕捉决策相关的数据的异质性，并提供新的有效性，在支持最终用户的决策过程。我们通过重叠块采样方法提高了样本效率，并从理论上描述了DAT-CGAN的泛化性能。金融时间序列的多时间步投资组合选择问题的框架证明。我们在基础数据和不同的决策相关量方面表现出比基于GAN的强大基线更好的生成质量。
2023-02-04 cs.LG stat.ML
GenFacts-Generative Counterfactual Explanations for Multi-Variate Time Series
Technical University of Munich（慕尼黑技术大学）；Infineon Technologies AG（英飞凌科技公司）；Johannes Kepler University Linz（林茨约翰尼斯·凯普勒大学）
GenFacts通过生成多变量时间序列的反事实解释，提升了反事实的合理性和用户可解释性，优于现有方法。
2026-02-17 cs.LG
Generative modeling for time series via Schr{ö}dinger bridge
提出基于Schr{ö}dinger bridge的时间序列生成模型，通过最优传输和随机微分方程建模时间动态，利用核回归或LSTM估计漂移函数生成数据，并在多类实验中验证了其有效性。
2023-04-11 math.OC math.PR q-fin.CP
Augmented Normalizing Flows: Bridging the Gap Between Generative Flows and Latent Variable Models
Mila；Google（谷歌）；CIFAR
在这项工作中，我们提出了一个新的家庭的生成流的增强数据空间，目的是提高表现力，而不会大幅增加计算成本的采样和评估的下限的可能性。理论上，我们证明了所提出的流可以近似一个哈密顿常微分方程作为一个普遍的运输映射。根据经验，我们在基于流的生成式建模的标准基准上展示了最先进的性能。
2020-02-17 cs.LG stat.ML
Generative adversarial network based on chaotic time series
The University of Tokyo（东京大学）；Kobe University（神户大学）；Saitama University（埼玉大学）
生成对抗网络（GAN）在人工构建自然图像和相关功能方面越来越重要，其中两个称为生成器和生成器的网络通过对抗机制发展。使用深度卷积神经网络和相关技术，已经生成了高分辨率、高度逼真的场景、人脸等。虽然GAN通常需要大量的真实训练数据集，但值得注意的是，需要大量的伪随机数。在这里，我们利用半导体激光器实验产生的混沌时间序列的潜变量的GAN，从而可以反映或转换到所产生的输出数据的混沌的固有性质。我们表明，相似性的接近，这是一个程度的鲁棒性的生成的图像相对于一个微小的变化，在输入的潜变量，增强，而作为一个整体的通用性并没有严重退化。此外，我们证明了代理混沌时间序列消除了最初观察到的对应于混沌序列中固有的负自相关的生成图像的签名。我们还讨论了利用混沌时间序列从训练的生成器中检索图像的影响。
2019-05-24 cs.LG
Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs
Ben-Gurion University（本-古里安大学）；UC Berkeley（加州大学伯克利分校）；LBNL（劳伦斯伯克利国家实验室）；ICSI（国际计算机科学研究所）
针对现有时间序列生成方法存在的训练不稳定、模式崩溃等问题，提出基于Koopman理论的KoVAE生成框架，可适配规则与不规则数据，在多项基准测试中性能优于现有最优GAN与VAE方法。
2024-05-13 cs.LG
Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting
Graduate University of Advanced Studies & The Institute of Statistical Mathematics（高级研究大学及统计数学研究所）；East China Normal University（华东师范大学）；The Institute of Statistical Mathematics（统计数学研究所）
本文提出条件性白化生成模型，通过整合条件均值和协方差信息，提升多变量时间序列预测性能。
2026-02-17 cs.LG stat.ML
Signal or Noise? Understanding Generative Models for Real-World Sensor Time Series
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Massachusetts Institute of Technology（麻省理工学院）
研究针对现实世界传感器时间序列生成模型碎片化问题，引入SensorGen大规模研究，评估五个主要家族的生成模型，发现流匹配模型性能强、信号属性重要、生成信号有实用价值。
2026-07-07 cs.AI cs.LG
Structural time series grammar over variable blocks
一个结构化的时间序列模型可以叠加地分解成生成的、语义上有意义的分量，每个分量都依赖于一个参数向量。我们证明，考虑每个生成组件连同其参数向量作为一个单一的潜在结构时间序列节点，可以简化推理的结构时间序列组件的集合。然后，我们介绍了一个正式的语法结构时间序列节点和参数向量。语法中的有效句子可以解释为生成结构时间序列模型。语法的扩展也可以表示包括变化点的结构时间序列模型，尽管这些模型不一定是生成的。我们展示了这个语法生成的语言的初步实现。最后，我们讨论今后可能开展的工作。
2020-09-15 cs.PL stat.ME
Generative adversarial networks in time series: A survey and taxonomy
Infant Research Centre（婴儿研究中心）；School of Computing（计算学院）；Dublin City University（都柏林城市大学）；ByteDance AI Lab（字节跳动人工智能实验室）；Insight SFI Research Centre for Data Analytics（Insight SFI数据分析研究中心）
生成对抗网络（GANs）研究在过去几年中呈指数级增长。它们的影响主要体现在计算机视觉领域，具有逼真的图像和视频处理，特别是生成，取得了重大进展。虽然这些计算机视觉的进步已经引起了人们的广泛关注，但GAN的应用已经跨越了时间序列和序列生成等学科。作为GANs的一个相对较新的利基，实地工作正在进行中，以开发高质量，多样化和私人的时间序列数据。在本文中，我们回顾了GAN变量设计的时间序列相关的应用程序。我们提出了一种离散变量GANs和连续变量GANs的分类，其中GANs处理离散时间序列和连续时间序列数据。在这里，我们展示了该领域最新和最流行的文献;它们的架构，结果和应用。我们还提供了一个最流行的评估指标及其在应用程序中的适用性列表。还讨论了这些GANs的隐私措施以及处理敏感数据的进一步保护和指导。我们的目标是清晰，简明地介绍这一领域的最新和最先进的研究及其在现实世界技术中的应用。
2021-07-23 cs.AI cs.LG
A diffusion-based generative model for financial time series via geometric Brownian motion
Department of Mathematics, POSTECH（POSTECH数学系）；Department of Financial Mathematics, Gachon University（高丽大学金融数学系）；Department of Applied Artificial Intelligence, SeoulTech（首尔科技大学应用人工智能系）
针对金融时间序列的异方差特性，提出将几何布朗运动融入扩散前向过程的生成框架，并用CSDI式Transformer训练反向生成，更真实地再现多种金融程式化事实。
2025-07-25 cs.AI cs.LG cs.NA
ChronoGAN: Supervised and Embedded Generative Adversarial Networks for Time Series Generation
Utah State University（犹他州立大学）
针对时间序列生成中收敛慢、嵌入信息丢失和不稳定等挑战，提出ChronoGAN框架，结合自编码器嵌入与GANs对抗训练，利用监督网络和时序损失捕获条件分布，通过早期生成算法和改进架构提升稳定性，在多种数据集上优于现有基准。
2024-09-21 cs.AI cs.LG
TTS-GAN: A Transformer-based Time-Series Generative Adversarial Network
Texas State University（德克萨斯州立大学）
以时间序列形式出现的信号测量是医学机器学习应用中最常见的数据类型之一。然而，这样的数据集通常很小，使得深度神经网络架构的训练无效。对于时间序列，我们可以用来扩展数据集大小的一套数据增强技巧受到保持信号基本属性的需要的限制。生成对抗网络（GAN）生成的数据可以用作另一种数据增强工具。基于RNN的GANs的缺点是它们不能有效地对具有不规则时间关系的长序列数据点进行建模。为了解决这些问题，我们介绍了TTS-GAN，一个基于变换的GAN，它可以成功地产生现实的合成时间序列的数据序列的任意长度，类似于真实的。GAN模型的生成器和卷积网络都使用纯Transformer编码器架构构建。我们使用可视化和降维技术来展示真实和生成的时间序列数据的相似性。我们还比较了我们生成的数据的质量与现有的最佳替代方案，这是一个基于RNN的时间序列GAN。
2022-06-26 cs.AI cs.LG
Generative Predictive Distributions for Time Series
Universidad Carlos III de Madrid（卡洛斯三世马德里大学）；University of Helsinki（赫尔辛基大学）
提出基于生成式表示的灵活框架，用于建模非线性多变量时间序列的预测分布，通过条件生成对抗网络估计，并建立弱时间依赖下的统计一致性。
2026-06-16 econ.EM stat.ME stat.ML
Data-Driven Modeling of Noise Time Series with Convolutional Generative Adversarial Networks
National Institute of Standards and Technology（美国国家标准与技术研究院）
该研究针对时间序列噪声建模问题，评估两种基于DCGAN的通用时间序列GAN模型，通过多类模拟噪声测试明确其能力与局限，并提供了可助力相关模型开发的测试基准。
2023-07-20 cs.LG eess.SP
DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation
Virginia Tech（弗吉尼亚理工大学）
开发有效的时间序列异常检测技术对于维护服务质量和提供早期警报非常重要。生成式神经网络方法是近年来受到广泛关注的一类无监督方法。在本文中，我们提出了一个无监督的生成对抗网络（GAN）的异常检测框架，DE GAN。它仅依赖于正常的时间序列数据作为输入，以训练良好配置的异常预测器（D）成为独立的异常预测器。在这个框架中，时间序列数据处理的滑动窗口方法。利用数据中的预期正常模式来开发能够生成正常数据模式的生成器（G）。在超参数调整和D模型选择步骤中也利用了正态数据。然后提取验证的D模型，并应用于评估看不见的（测试）时间序列，并识别具有异常特征的模式。核密度估计（KDE）被应用到可能是异常的数据点，以生成测试时间序列的概率密度函数。具有最高相对概率的段被检测为异常。为了评估性能，我们测试了五英里的I类铁路轨道的单变量加速度时间序列。我们实现了该框架，以检测运营商确定的真实异常观测。结果表明，利用具有CNN D架构的框架，平均最佳召回率和准确率分别为80%和86%，这表明经过良好训练的独立D模型有可能成为可靠的异常检测器。此外，还研究了GAN超参数、GAN结构、滑动窗口大小、时间序列聚类以及标记/未标记数据的模型验证的影响。
2022-10-05 cs.AI cs.CE cs.LG
A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic Time-Series Data, Application in Combined Sewer Flow Prediction
TU Kaiserslautern（凯泽斯劳滕工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Shahid Chamran University of Ahvaz（阿瓦兹沙希德·查姆兰大学）
尽管机器学习和数据分析技术在改善城市水务基础设施的智能运营和管理方面取得了各种突破，但一些关键限制阻碍了这一进展。在这些缺陷中，由于数据隐私或数据收集成本高而缺乏免费提供的数据，以及现有数据中不存在足够的罕见或极端事件，这些都起着至关重要的作用。在这里，生成对抗网络（GANs）可以帮助克服这些挑战。在机器学习中，生成模型是一类能够学习数据分布以生成人工数据的方法。在这项研究中，我们开发了一个GAN模型来生成合成时间序列，以平衡我们有限的记录时间序列数据，并提高数据驱动模型的准确性，结合污水流量预测。我们把德国一个小镇的下水道系统作为测试案例。降水量和流入储罐的水量用于数据驱动模型的开发。其目的是使用降水数据预测流量，并检查使用合成数据的数据增强对模型性能的影响。结果表明，GAN可以成功地从实际数据分布生成合成时间序列，这有助于更准确地预测高峰流量。然而，没有数据增强的模式更适合干旱天气预测。因此，集成模型的建议，以结合这两种模式的优点。
2023-01-31 cs.LG
Towards Time Series Generation Conditioned on Unstructured Natural Language
Graduate School of Information Science and Electrical Engineering（信息科学与电气工程研究生学校）
本文提出一种结合扩散模型与语言模型的新方法，实现基于非结构化自然语言的时间序列生成，并构建了包含63,010对数据的公开数据集，支持定制预测、数据增强等应用。
2025-06-28 cs.LG
DAMNETS: A Deep Autoregressive Model for Generating Markovian Network Time Series
University of Oxford（牛津大学）；University of Glasgow（格拉斯哥大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出DAMNETS，一种可扩展的深度自回归生成模型，用于生成马尔可夫网络时间序列，并在真实与合成数据集上全面超越现有方法。
2023-10-31 cs.LG q-fin.ST stat.AP
