T-CGAN: Conditional Generative Adversarial Network for Data Augmentation in Noisy Time Series with Irregular Sampling
Politecnico Milano(米兰理工大学);Harvard University(哈佛大学)
本文提出了一种适用于不规则采样时间序列的数据增强方法--时间条件生成对抗网络(T-CGAN)。我们的方法是基于条件生成对抗网络(CGAN),其中生成步骤是由一个去卷积神经网络和卷积神经网络的判别步骤。生成器和时间序列生成器都以采样时间戳为条件,学习数据和时间戳之间的隐藏关系,从而生成新的时间序列。我们用合成和真实世界的数据集来评估我们的模型。对于合成数据,我们比较了用T-CGAN生成的数据训练的分类器的性能,以及用原始数据训练的相同分类器的性能。结果表明,在T-CGAN生成的数据上训练的分类器与在真实数据上训练的分类器的性能相同,即使是非常短的时间序列和小的训练集。对于现实世界的数据集,我们比较我们的方法与其他技术的数据增强的时间序列,如时间分片和时间扭曲,在分类问题与不平衡的数据集。结果表明,我们的方法总是优于其他方法,在规则采样和不规则采样的时间序列的情况下。我们实现了特别好的性能的情况下,一个小的训练集和短,噪声,不规则采样的时间序列。
2019-02-01 cs.LG stat.ML
Neural SDEs for Conditional Time Series Generation and the Signature-Wasserstein-1 metric
Universitat Autònoma de Barcelona(巴塞罗那自治大学);Universitat de Barcelona(巴塞罗那大学)
(条件)生成对抗网络(GANs)近年来取得了巨大的成功,因为它们能够在极高维空间上近似(条件)分布。然而,它们对于训练来说是高度不稳定的并且计算上昂贵的,特别是在时间序列设置中。最近,已经提出了使用粗糙路径理论中的一个关键对象,称为路径的签名,它能够将(条件)GAN框架给出的最小-最大公式转换为经典的最小化问题。然而,这种方法在存储器成本方面极其昂贵,有时甚至变得令人望而却步。为了克服这一点,我们建议使用\textit{Conditional Neural Stochastic Differential Equations},它具有作为深度函数的恒定内存成本,比传统的深度学习架构更高效。我们的经验测试,该模型是更有效的比其他经典的方法,无论是在内存成本和计算时间方面,它通常优于他们的性能。
2023-01-03 cs.LG math.PR stat.ML
Conditional Sig-Wasserstein GANs for Time Series Generation
University College London(伦敦大学学院);University of Edinburgh(爱丁堡大学);University of Kaiserslautern(凯撒斯劳滕大学)
本文提出条件 Sig-WGAN 框架,将路径签名与 WGAN 结合,用条件 Sig-W1 度量作为判别器,以显式表示避免昂贵训练,在时间序列生成任务上显著优于现有基准。
2023-10-11 cs.LG stat.ML
Contaminated Multivariate Time-Series Anomaly Detection with Spatio-Temporal Graph Conditional Diffusion Models
McGill University(麦吉尔大学);Mila - Quebec AI Institute(魁北克AI研究所)
针对训练数据被异常污染的无监督时间序列异常检测问题,提出TSAD-C框架,通过去污染、长程变量依赖建模和异常评分三模块实现端到端检测,并在四个数据集上达到新SOTA。
2025-05-09 cs.LG eess.SP
GP-ConvCNP: Better Generalization for Convolutional Conditional Neural Processes on Time Series Data
German Cancer Research Center(德国癌症研究中心)
神经过程(Neural Processes,NP)是一系列条件生成模型,它们能够对函数上的分布进行建模,从而允许它们在测试时以多个上下文点为条件进行预测。最近加入这个家族的卷积条件神经过程(ConvCNP)在性能上比现有技术有了显着的改进,但我们发现它们在应用于时间序列数据时有时很难推广。特别是,它们对分布偏移不稳健,并且无法将观察到的模式外推到未来。通过将高斯过程纳入模型,我们能够弥补这一点,同时提高分布内的性能。作为一个额外的好处,高斯过程重新引入了从模型中采样的可能性,这是NP家族其他成员的一个关键特征。
2021-06-11 cs.AI cs.LG stat.ML
Inverse Synthesis of Shock Time Series from Shock Response Spectra Using Ensembles of Conditional Variational Autoencoders
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of Rochester(罗切斯特大学);Avinc(艾文克公司)
该研究提出一种基于条件变分自编码器集成的方法,用于从冲击响应谱逆合成冲击时间序列,在多个基准数据集上的频谱误差更低、推理速度更快,性能优于基线方法。
2026-10-12 cs.LG eess.SP
Causal Discovery from Conditionally Stationary Time Series
Imperial College London(帝国理工学院);University of Dundee(邓迪大学)
本文提出状态依赖因果推断(SDCI)方法,通过将非平稳性建模为以潜在状态为条件的平稳性,实现条件平稳时间序列中的因果发现,并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
Transformer-based conditional generative adversarial network for multivariate time series generation
时间相关数据的条件生成是一项非常有趣的任务,无论是用于数据增强、情景模拟、完成缺失数据还是其他目的。最近的工作提出了一种基于转换器的时间序列生成对抗网络(TTS-GAN),以解决递归神经网络的局限性。然而,该模型假设单峰分布,并试图围绕真实数据分布的期望生成样本。它的一个局限性是它可能生成一个随机的多变量时间序列;它可能无法在整体分布中存在多个子分量的情况下生成样本。人们可以训练模型来分别适应每个子组件,以克服这种限制。我们的工作扩展了TTS-GAN,通过在特定的编码上下文上调节其生成的输出,允许使用一个模型来拟合具有多个子分量的混合分布。从技术上讲,它是一种条件生成对抗网络,可以在不同类型的条件下对现实的多变量时间序列进行建模,例如分类变量或多变量时间序列。我们在UniMiB数据集上评估我们的模型,该数据集包含使用智能手机收集的人类活动XYZ轴的加速度数据。我们使用定性评估和定量指标,如主成分分析(PCA),我们引入了一个修改版本的弗雷歇初始距离(FID)来衡量我们的模型的性能和生成的和真实的数据分布之间的统计相似性。我们表明,这种基于变换的CGAN可以在不同的条件下产生现实的高维和长的数据序列。
2022-10-05 cs.AI cs.LG
Conditional Loss and Deep Euler Scheme for Time Series Generation
Université Gustave Eiffel(古斯塔夫·埃菲尔大学);EDF Lab(法国电力实验室);FiME (Laboratoire de Finance des Marchés de l’Énergie)(能源市场金融实验室)
我们介绍了三个新的生成模型的时间序列的基础上欧拉离散化的随机微分方程(SDES)和Wasserstein度量。其中两种方法依赖于生成对抗网络(GANs)对时间序列的适应。第三种算法称为条件欧拉生成器(CEGEN),其最小化所有时间步长上的转移概率分布之间的专用距离。在伊藤过程的背景下,我们提供了理论保证,最小化这一标准意味着漂移和波动参数的准确估计。我们的经验表明,CEGEN优于国家的最先进的和GAN发电机的边际和时间动态指标。此外,它还能在高维空间中识别出准确的相关结构。当数据点很少时,我们验证了CEGEN的有效性,结合迁移学习方法进行蒙特卡罗模拟。最后,我们说明了我们的方法在各种现实世界的数据集上的鲁棒性。
2021-10-06 cs.LG math.PR stat.AP
TTS-CGAN: A Transformer Time-Series Conditional GAN for Biosignal Data Augmentation
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。这样的数据集通常很小,收集和注释成本很高,并且可能涉及隐私问题,这阻碍了我们为生物医学应用训练大型、最先进的深度学习模型的能力。对于时间序列数据,我们可以用来扩展数据集大小的一套数据增强策略受到保持信号基本属性的需要的限制。生成对抗网络(GANs)可以用作另一种数据增强工具。在本文中,我们提出了TTS-CGAN,一个基于变换的条件GAN模型,可以在现有的多类数据集上进行训练,并生成任意长度的特定于类的合成时间序列。详细阐述了模型的体系结构和设计策略。该模型生成的合成序列与真实序列没有区别,可以用来补充或替换同类型的真实信号,从而达到数据增强的目的。为了评估生成的数据的质量,我们修改了小波相干度量,以便能够比较两组信号之间的相似性,并且还进行了一个案例研究,其中使用合成数据和真实数据的混合来训练序列分类的深度学习模型。与其他可视化技术和定性评估方法一起,我们证明了TTS-CGAN生成的合成数据与真实数据相似,并且我们的模型比其他最先进的GAN模型更好地用于时间序列数据生成。
2022-06-28 cs.LG
Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs
ETH Zurich(苏黎世联邦理工学院);Tri-Institutional Training Program in Computational Biology and Medicine, Weill Cornell Medical(威尔康奈尔医学院计算生物学与医学三机构联合培养项目)
生成对抗网络(GANs)作为训练模型以产生逼真数据的框架已经取得了显着的成功。在这项工作中,我们提出了一个经常性的GAN(RGAN)和经常性的条件GAN(RCGAN),以产生现实的实值多维时间序列,强调其应用于医疗数据。RGAN在生成器和递归神经网络中使用递归神经网络。在RCGAN的情况下,这两个RNN都以辅助信息为条件。我们在一组玩具数据集中展示了我们的模型,在那里我们直观地和定量地(使用样本可能性和最大平均差异)展示了它们可以成功地生成逼真的时间序列。我们还描述了GANs的新评估方法,其中我们生成一个合成的标记训练数据集,并在真实的测试集上评估在合成数据上训练的模型的性能,反之亦然。我们用这些指标说明,RCGAN可以生成对监督训练有用的时间序列数据,在真实测试数据上的性能只有轻微的下降。这是证明数字分类从“序列化”MNIST和训练的早期预警系统的医疗数据集的17,000名患者从重症监护病房。我们进一步讨论和分析的隐私问题时,可能会出现使用RCGAN生成现实的合成医疗时间序列数据。
2017-12-04 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
MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation
Shanghai Jiao Tong University(上海交通大学);Chinese Academy of Sciences(中国科学院)
针对多变量时间序列插补的一致性难题,提出条件扩散模型MTSCI,通过对比互补掩码和窗口混合机制保障两类一致性,在多数据集不同缺失场景下取得SOTA性能。
2024-08-11 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
A Hybrid Approach on Conditional GAN for Portfolio Analysis
几十年来,马科维茨框架在投资组合分析中得到了广泛的应用,但它过于强调对市场不确定性的分析,而不是对趋势的预测。而生成对抗网络(GAN)、条件GAN(CGAN)和自动编码CGAN(ACGAN)已被探索用于生成金融时间序列并提取有助于投资组合分析的特征。CGAN或ACGAN框架的局限性在于过于强调生成序列和发现序列的内部趋势,而不是预测未来趋势。在本文中,我们介绍了一种基于深度生成模型的条件GAN混合方法,该方法在对市场不确定性和未来趋势建模的同时学习历史数据的内部趋势。我们评估了来自美国和欧洲市场的几个真实世界的数据集的模型,并表明,建议的HybridCGAN和HybridACGAN模型导致更好的投资组合分配相比,现有的Markowitz,CGAN和ACGAN的方法。
2022-07-13 cs.LG q-fin.PM
Conditional GAN for timeseries generation
Florida Institute of Technology(佛罗里达理工学院)
很明显,时间相关数据是世界上重要的信息来源。对于机器学习中的应用来说,挑战在于获得算法开发和分析所需的大量高质量数据。使用生成对抗网络(GAN)对合成数据进行建模一直是提供可行解决方案的核心。我们的工作集中在一维时间序列,并探讨了Few Shot方法,这是一个算法的能力,执行有限的数据。这项工作试图通过提出一种新的架构,时间序列GAN(TSGAN),以模拟现实的时间序列数据,以减轻挫折感。我们评估TSGAN从基准时间序列数据库的70个数据集。我们的研究结果表明,TSGAN表现优于竞争对手,无论是定量使用弗雷歇初始得分(FID)度量,定性分类时,作为评估标准。
2020-06-30 cs.LG stat.ML
End-to-End Modeling Hierarchical Time Series Using Autoregressive Transformer and Conditional Normalizing Flow based Reconciliation
Ant Group(蚂蚁集团)
提出基于条件归一化流和自回归Transformer的端到端分层时间序列预测模型,无需后处理即可同时完成预测与协调,在四个真实数据集上验证了方法有效性。
2025-03-02 cs.LG
Anomaly detection in time-series via inductive biases in the latent space of conditional normalizing flows
Department of Computer Science Norwegian University of Science and Technology(挪威科学技术大学计算机科学系);BCAM – Basque Center for Applied Mathematics University of Coimbra, CISUC/LASI, DEI(巴斯克应用数学中心,科英布拉大学,CISUC/LASI,DEI);IKERBASQUE — Basque Foundation for Science(巴斯克科学基金会)
本文通过在条件归一化流中引入显式归纳偏差,将异常检测从观测空间转移到潜在空间,以更准确地捕捉时间序列的结构动态,从而提高异常检测的鲁棒性和可解释性。
2026-07-09 cs.AI cs.LG
Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
School of Computation, Information and Technology, Technical University of Munich(计算、信息与技术学院,慕尼黑技术大学);Munich Data Science Institute(慕尼黑数据科学研究所);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出 TSFlow 条件流匹配模型,利用高斯过程、最优传输路径和数据依赖先验缩小先验与时间序列数据分布差异,并通过条件先验采样支持概率预测。
2025-05-11 cs.AI cs.LG stat.ML
Autoencoding Conditional GAN for Portfolio Allocation Diversification
几十年来,马科维茨框架在投资组合分析中得到了广泛的应用,但它过于强调对市场不确定性的分析,而不是对趋势的预测。而生成对抗网络(GAN)和条件GAN(CGAN)已经被探索用于生成金融时间序列并提取有助于投资组合分析的特征。CGAN框架的局限性在于过于强调生成系列,而不是保留可以帮助生成器的功能。在本文中,我们介绍了一种基于深度生成模型的自动编码CGAN(ACGAN),它可以学习历史数据的内部趋势,同时对市场的不确定性和未来趋势进行建模。我们评估了来自美国和欧洲市场的几个真实世界的数据集的模型,并表明,拟议的ACGAN模型导致更好的投资组合分配,并产生一系列更接近真实的数据相比,现有的Markowitz和CGAN方法。
2022-06-17 cs.LG q-fin.PM
Diff-MTS: Temporal-Augmented Conditional Diffusion-based AIGC for Industrial Time Series Towards the Large Model Era
School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院)
本文提出Diff-MTS,一种时间增强的条件自适应扩散模型,通过Ada-MMD和TDR-UNet解决工业多元时间序列生成中GAN训练不稳定及时间依赖建模问题,在C-MAPSS和FEMTO数据集上显著优于GAN方法。
2024-07-16 cs.AI cs.LG
Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics
School of Computer Science Nanjing University of Posts(南京邮电大学计算机科学学院)
本文提出利用条件扩散模型结合潜在时间动态,对延迟容忍网络中的QoS指标进行概率预测,以量化不确定性并优于传统方法。
2025-10-15 cs.LG stat.ML
Multi-Label Clinical Time-Series Generation via Conditional GAN
Stevens Institute of Technology(史蒂文斯理工学院);Virginia Tech(弗吉尼亚理工大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
提出MTGAN模型,利用条件GAN和GRU生成多标签临床时间序列数据,通过Wasserstein距离和稳定训练策略,有效提升罕见疾病数据的生成质量。
2023-08-31 cs.LG
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
Cross-Domain Conditional Diffusion Models for Time Series Imputation
Northwestern University(西北大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Arizona State University(亚利桑那州立大学);Virginia Tech(弗吉尼亚理工学院);Squirrel Ai Learning
针对跨域时间序列插补中高缺失率与域偏移导致现有方法失效的问题,从数据、模型、算法三方面提出基于频域插值、扩散插补模型及跨域一致性对齐的解决方案,在三个真实数据集上取得更优效果。
2025-06-14 cs.LG stat.ML
CINDI: Conditional Imputation and Noisy Data Integrity with Flows in Power Grid Data
Department of Computer Science, Norwegian University of Science and Technology(计算机科学系,挪威科学与技术大学)
CINDI通过条件归一化流统一异常检测与填补,提升电力网络数据在噪声环境下的可靠性与准确性。
2026-03-12 cs.AI cs.LG
Mixture Gaussian Process Conditional Heteroscedasticity
Imperial College London(帝国理工学院);Cyprus University of Technology(塞浦路斯理工大学)
广义自回归条件异方差(GARCH)模型一直被认为是最成功的金融收益率波动建模方法之一。在本文中,我们提出了一种替代方法的基础上广泛使用的统计机器学习领域的方法。具体来说,我们提出了一种新的非参数贝叶斯混合高斯过程回归模型,其中每个组件模型的噪声方差过程,污染的观测数据作为一个单独的潜在的高斯过程驱动的观测数据。这样,我们基本上得到了一个混合高斯过程条件异方差(MGPCH)模型的金融收益率波动建模。我们施加一个非参数先验与幂律性质的模型混合物成分的分布,即Pitman-Yor过程之前,允许更好地捕捉建模的数据分布与重尾和偏度。最后,我们提供了一种基于copula的方法,用于获得通过假设MGPCH模型建模的资产收益协方差的预测后验。我们评估了我们的方法在一些基准场景中的有效性,并将其性能与最先进的方法进行比较。
2013-01-25 cs.LG stat.ML
Transferable Time-Series Forecasting under Causal Conditional Shift
Guangdong University of Technology(广东工业大学);Peng Cheng Laboratory(鹏城实验室);Shantou University(汕头大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于因果条件偏移假设的端到端模型,用于半监督时间序列预测域适应,可发现跨域格兰杰因果结构,实现准确可解释的预测。
2023-09-06 cs.LG
ConTSG-Bench: A Unified Benchmark for Conditional Time Series Generation
School of Information Science and Technology, ShanghaiTech University, Shanghai, China(信息科学与技术学院,上海科技大学,中国)
ConTSG-Bench 提出一个统一基准,用于评估条件时间序列生成模型在不同条件下的性能和可控性。
2026-03-05 cs.LG
DynaConF: Dynamic Forecasting of Non-Stationary Time Series
Borealis AI(博雷尔 AI)
本文提出DynaConF方法,通过解耦平稳条件分布建模与非平稳动态建模,结合贝叶斯动态模型和分解输出空间的深度条件分布模型,提升对非平稳多元时间序列的预测适应能力。
2024-02-24 cs.LG stat.ML
On Conditional Independence Graph Learning From Multi-Attribute Gaussian Dependent Time Series
本文提出了一种基于频率域的惩罚对数似然目标函数,用于从多属性高斯依赖时间序列中学习条件独立图,并在高维情况下建立了收敛性和图恢复的理论条件。
2025-12-08 cs.LG eess.SP stat.ML
Flexible conditional density estimation for time series
New York University(纽约大学);Universidade Federal de São Carlos(圣卡洛斯联邦大学);Universidade de São Paulo(圣保罗大学)
介绍了一种新的时间序列条件密度估计器FlexCodeTS。FlexCodeTS是一个灵活的非参数条件密度估计器,可以基于任意回归方法。结果表明,FlexCodeTS继承了所选回归方法的收敛速度。因此,FlexCodeTS可以通过采用最适合数据结构的回归方法来适应其收敛性。从实证的角度来看,FlexCodeTS在模拟和真实数据中与NNKCDE和Gestival进行了比较。FlexCodeTS被示出为根据CDE损失或弹球损失在所选择的方法中通常获得最佳性能。
2023-01-23 cs.LG stat.ME stat.ML
AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting
Auburn University(奥本大学)
针对现有时间序列预测适配方法无法适配输入时间序列动态的局限,提出AdaCast框架,通过生成器生成特定输入的低秩参数更新,在6个基准测试中优于静态基线并提升零样本泛化能力。
2026-10-09 cs.AI cs.LG
ReDiTT: Retrieval Augmented Conditional Diffusion Transformers for Asynchronous Time Series
University of British Columbia(英属哥伦比亚大学);RBC Borealis(加拿大皇家银行北极星)
该研究针对异步时间序列预测问题,提出ReDiTT模型,通过在潜在空间运行并从记忆库检索相似潜在序列作为参考条件,利用交叉注意力机制,实现稳定的长期预测并提高样本多样性,在多个数据集上取得最优性能。
2026-07-15 cs.LG
Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Paul Wurth S.A(保罗·沃思公司);Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau(莱茵河-巴尔夫技术大学凯撒斯劳滕-兰道)
提出一种条件归因框架,通过检索与异常观测上下文相似的正态实例进行依赖保持的解释,结合变分自编码器和UMAP流形嵌入实现高维时间序列的高效归因,并在SWaT和MSDS基准上提升了根因识别准确率与鲁棒性。
2026-06-17 cs.LG
Semantically-Guided Inference for Conditional Diffusion Models: Enhancing Covariate Consistency in Time Series Forecasting
针对条件扩散模型在时间序列预测中协变量不一致的问题,提出即插即用的推理时方法SemGuide,通过评分网络和重要性重加权增强语义对齐,提升预测准确性与协变量一致性。
2025-08-03 cs.AI cs.LG
Conditional Chow-Liu Tree Structures for Modeling Discrete-Valued Vector Time Series
University of California, Irvine(加州大学尔湾分校)
我们考虑离散值向量时间序列数据的建模问题,使用扩展的Chow-Liu树模型来捕获跨时间的依赖关系和跨变量的依赖关系。作为对标准Chow-Liu树的扩展,引入了条件Chow-Liu树模型,用于建模条件密度而不是联合密度。我们描述了这种模型的学习算法,并展示了它们如何可以用来学习隐马尔可夫模型的输出分布的简约表示。并将这些模型应用于雨量站网逐日降水量的模拟和预报这一重要问题。为了证明模型的有效性,我们比较了它们的性能与一些替代品使用历史降水数据从澳大利亚西南部和美国西部。我们说明了如何的结构和参数的模型可以用来提供一个改进的气象解释这样的数据。
2012-07-11 cs.LG stat.ML
Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Alberta(阿尔伯塔大学)
本文提出通道感知对比条件扩散模型CCDM,通过通道中心去噪网络和基于去噪的时间对比学习提升多元概率时间序列预测精度与泛化能力,在基准测试中优于现有扩散预测器。
2024-10-03 cs.LG
The Conditional Cauchy-Schwarz Divergence with Applications to Time-Series Data and Sequential Decision Making
UiT - The Arctic University of Norway(挪威北极大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Florida(佛罗里达大学);NORCE Norwegian Research Centre(NORCE挪威研究中心);Copenhagen University(哥本哈根大学);Norwegian Computing Center(挪威计算中心)
本文提出可由核密度估计的条件 CS 散度,用于衡量条件分布接近度,并在时间序列聚类与不确定性引导的序贯决策探索中验证其优势。
2025-03-16 cs.IT cs.LG math.IT
Edge Conditional Node Update Graph Neural Network for Multi-variate Time Series Anomaly Detection
Korea University(高丽大学)
针对多变量时间序列异常检测中图方法源节点表示缺乏边条件适应性的问题,提出 ECNU-GNN,通过边条件节点更新动态变换源节点表示,并在 SWaT、WADI、PSM 上显著提升 F1。
2024-01-25 cs.LG
Probabilistic Forecasting of Irregular Time Series via Conditional Flows
University of YYY(YYY大学);Institute of WWW(WWW研究院)
针对带缺失值的不规则多变量时间序列概率预测问题,提出基于条件归一化流的ProFITi模型,引入可逆三角注意力层等组件,在4个数据集上实现比此前最优模型高4倍的似然度。
2025-01-13 cs.LG stat.ML
Towards Dynamic Feature Acquisition on Medical Time Series by Maximizing Conditional Mutual Information
ETH Zurich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心);Helmholtz AI(亥姆霍兹人工智能研究所);Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
针对医学时间序列,提出一种通过最大化条件互信息、仅用下游损失端到端训练的动态特征获取方法,优于随机策略,匹配无限制预算模型,但未超越静态策略。
2024-07-18 cs.AI cs.LG
CPDA: Class-Conditional Path Distribution Alignment for Unsupervised Time-Series Domain Adaptation
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所)
该研究提出CPDA框架,通过对齐类条件潜在路径分布而非全局特征边际分布,在13个时间序列DA基准上验证其优于30种基线方法,实现无监督时间序列领域自适应的性能提升。
2026-08-11 cs.LG stat.ML
Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series
Hasso Plattner Institute for Digital Engineering(哈索·普拉特纳数字工程学院);University of California, Irvine(加利福尼亚大学欧文分校);Hasso Plattner Institute for Digital Health at the Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院哈索·普拉特纳数字健康研究所)
针对保形预测难以适配概率生成模型(如归一化流)的问题,提出保形化条件归一化流的新方法,解决时间序列多步预测的区域获取问题,利用归一化流灵活性生成不相交区域以提升多模态分布下的预测效率。
2024-11-26 cs.LG stat.ML
TSGM: Regular and Irregular Time-series Generation using Score-based Generative Models
LG AI Research(LG人工智能研究)
本文提出TSGM模型,通过条件分数网络和定制的去噪分数匹配损失,实现规则和不规则时间序列的高质量生成。
2025-11-26 cs.LG
Conditionally Identifiable Latent Representation for Multivariate Time Series with Structural Dynamics
本文提出iVDFM模型,通过在创新过程上应用iVAE式条件,保证多变量时间序列潜在因子的可识别性,展示了在合成数据和现实基准中的改进性能。
2026-10-20 cs.LG q-fin.GN q-fin.ST
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
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
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
Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学)
针对现有时间序列模型忽略趋势与季节成分差异的问题,提出CDPM框架,结合概率扩散模型与确定性线性模型,解耦建模并分别处理,在六个基准上验证了有效性。
2025-06-08 cs.LG
Conditional Generation of Medical Time Series for Extrapolation to Underrepresented Populations
ETH Zürich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Technical University of Denmark(丹麦技术大学);KTH Stockholm(瑞典皇家理工学院);CIFAR Azrieli Global Scholar(CIFAR Azrieli 全球学者计划);GlaxoSmithKline(葛兰素史克)
电子健康记录(EHR)的广泛采用以及随后纵向医疗保健数据可用性的增加,使我们对健康和疾病的理解取得了重大进展,对新诊断和治疗方案的开发产生了直接和直接的影响。然而,由于其敏感性和相关的法律问题,电子健康记录的获取往往受到限制,其中的队列通常是在特定医院或医院网络中看到的,因此不能代表更广泛的患者群体。在这里,我们提出了HealthGen,一种新的方法,用于合成EHR的条件生成,保持真实患者特征,时间信息和缺失模式的准确表示。我们通过实验证明,HealthGen生成的合成队列比当前最先进的方法更忠实于真实患者的EHR,并且用有条件生成的代表性不足的患者亚群队列来增强真实数据集可以显着增强从这些数据集导出的模型对不同患者人群的通用性。合成条件生成的EHR可以帮助增加纵向医疗保健数据集的可访问性,并提高从这些数据集到代表性不足的人群的推断的普遍性。
2022-01-20 cs.LG
Inference on Time Series Nonparametric Conditional Moment Restrictions Using General Sieves
Cowles Foundation for Research in Economics, Yale University(耶鲁大学考尔斯经济学研究基金会);Rutgers University(罗格斯大学);The University of Hong Kong(香港大学)
一般的非线性筛子学习是一类非线性筛子,它们可以比各种线性筛子(或级数)更灵活地近似高维变量的非线性函数。本文研究了基于一般非线性筛拟似然比(GN-QLR)的时间序列数据期望泛函的推断,其中期望泛函是基于满足条件矩约束的非参数函数,并使用多层神经网络进行学习。虽然估计泛函的渐近正态性依赖于一些未知的Riesz代表的功能空间,我们表明,最佳加权GN-QLR统计量是渐近卡方分布,无论是否期望功能是定期(根- $n$估计)或没有。当数据是弱相关的β-混合条件时,这是成立的。我们将我们的方法应用于强化学习中的离政策评估,通过将Bellman方程公式化到条件矩限制框架中,使得我们可以使用所提出的GN-QLR方法对具有时间序列数据的状态特定值泛函进行推断。此外,估计平均偏均值和平均偏导数的非参数工具变量和分位数IV模型也作为领先的例子。最后,一个蒙特卡罗研究表明,有限样本的性能的程序
2023-01-03 cs.LG econ.EM 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
Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting
KTH Royal Institute of Technology(瑞典皇家理工学院);RISE Research Institutes of Sweden(瑞典RISE研究院)
我们提出了一个金融时间序列预测的表示学习框架。使用深度学习模型进行金融预测的一个挑战是在使用小数据集时缺乏可用的训练数据。使用在小数据集上训练的深度神经网络进行直接趋势分类容易受到过拟合问题的影响。在本文中,我们建议首先从时间序列数据中学习紧凑的表示,然后使用学习到的表示来训练一个更简单的模型来预测时间序列运动。我们考虑一类条件潜变量模型。我们训练一个编码器网络,以最大化潜在变量和以编码的观测变量为条件的趋势信息之间的互信息。我们表明,条件互信息最大化可以近似的对比损失。然后,问题被转化为一个分类任务,确定两个编码表示是否是从同一类或不采样。这相当于对训练数据点进行成对比较,从而提高了编码器网络的泛化能力。我们使用深度自回归模型作为编码器来捕获序列数据的长期依赖性。实证实验表明,我们提出的方法有可能提高最先进的性能。
2021-05-07 cs.LG stat.ML