LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models
Deakin University(迪肯大学);Applied Artificial Intelligence Initiative(应用人工智能倡议)
研究文本条件时间序列预测问题,核心方法是将预测设为TSFM生成轨迹上的规划问题,以冻结TSFM为模拟器、LLM为策略和价值函数,实例化\rc{}框架,主要贡献是通过实验证明该框架能带来持续改进。
2026-07-29 cs.AI cs.LG
FaCTR: Factorized Channel-Temporal Representation Transformers for Efficient Time Series Forecasting
C3 AI
FaCTR是一种轻量级时空Transformer,通过低秩因子分解机和门控机制建模跨通道交互,以约400K参数在11个基准上取得最先进性能,并支持可解释性和自监督预训练。
2025-06-05 cs.LG
DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters
School of Software, BNRist, Tsinghua University(软件学院、BNRist、清华大学)
DiTS通过双流Transformer块处理时间序列的内生和外生变量依赖,实现高效生成预测。
2026-10-08 cs.LG
GAUDI: Geometry-Aware Diffusion for Calibrated Air-Quality Time-Series Imputation
Columbia University(哥伦比亚大学);University of California, Davis(加州大学戴维斯分校);University of California, San Diego(加州大学圣迭戈分校);Georgia Institute of Technology(佐治亚理工学院);Lehigh University(理海大学);Stony Brook University(纽约州立大学石溪分校);San Francisco State University(旧金山州立大学);Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学)
针对空气质量数据块缺失问题,提出GAUDI几何感知扩散插补器,抑制时间位置嵌入,在ItalyAir上以0.340的RMSE优于完整上下文和局部CSDI的0.355。
2026-09-28 cs.LG
A Foundation Model for Instruction-Conditioned In-Context Time Series Tasks
Walmart(沃尔玛)
本文提出iAmTime模型,通过指令条件化的元学习实现时间序列任务的直接推理,提升零样本适应能力,尤其在预测任务中表现优异。
2026-09-24 cs.LG
Handling Variable-Dimensional Time Series with Graph Neural Networks
TCS Research(TCS研究院)
物联网(IoT)技术的几个应用涉及从多个传感器捕获数据,从而产生多传感器时间序列。现有的基于神经网络的用于这种多传感器或多变量时间序列建模的方法假定传感器的输入维度或数量是固定的。这种方法在实际环境中可能会遇到困难,其中相同设备或设备的不同实例,例如移动设备,可穿戴设备,发动机等,带有安装的传感器的不同组合。我们考虑从这样的多传感器时间序列训练神经网络模型,其中时间序列由于在时间序列的每个源处的传感器的不同子集的可用性或安装而具有不同的输入维度。我们提出了一种新的神经网络架构,适合zero-shot迁移学习,允许强大的推断多变量时间序列与以前看不见的可用尺寸或传感器在测试时的组合。通过用“调节向量”调节基于核心神经网络的时间序列模型的层来实现这种组合泛化,所述“调节向量”携带每个时间序列的传感器的可用组合的信息。通过经由图神经网络汇总与时间序列中的可用传感器相对应的所学习的“传感器嵌入向量”的集合来获得该条件向量。我们在公开的活动识别和设备特征数据集上评估了所提出的方法,并表明所提出的方法与深度门控递归神经网络基线相比具有更好的泛化能力。
2020-07-20 cs.LG eess.SP stat.ML
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
LEARN-TS: LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Multivariate Time-Series Anomaly Detection
Korea University(高丽大学)
LEARN-TS利用冻结语言模型构建角色分离的语义表示,通过窗口特定观测语义和固定正态性提示指导掩码重构,实现无需外部文本的多元时间序列异常检测,在四个基准上取得领先性能。
2026-10-01 cs.LG
Graph Deep Learning for Time Series Forecasting
Università della Svizzera italiana(瑞士大学);IDSIA(智能系统与人工智能研究所);Politecnico di Milano(米兰理工大学)
本文系统梳理了图深度学习用于时间序列预测的方法论框架,形式化预测问题并提出基于图的预测器设计原则、性能评估方法及未来研究方向。
2025-06-06 cs.AI cs.LG
Multimodal Meta-Learning for Time Series Regression
University of Hildesheim(希尔德斯海姆大学);Volkswagen AG(大众汽车公司)
最近的工作已经表明了深度学习模型(如全卷积网络(FCN)或递归神经网络(RNN))处理时间序列回归(TSR)问题的效率。这些模型有时需要大量数据才能进行概括,但时间序列有时不够长,无法学习模式。因此,重要的是要利用跨时间序列的信息来改善学习。在本文中,我们将探索使用元学习的想法,通过修改模型不可知元学习(MAML)\cite{finn2017model}的原始思想,快速适应新的短历史时间序列的模型参数。此外,基于以前的工作多模态MAML \cite{vuorio2019multimodal},我们提出了一种方法,通过一个辅助网络,编码的时间序列的全局信息提取元特征的模型的参数条件。最后,我们将数据应用于不同领域的时间序列,例如污染测量,心率传感器和电池数据。我们的经验表明,我们提出的元学习方法学习TSR与几个数据快速和优于基线在12个实验中的9。
2021-11-02 cs.LG
Represent, Then Generate: Multimodal-Conditioned Time-Series Generation under Irregular Missingness
提出ReCoGen两阶段框架,将多模态条件表征与生成分离,在三个生理基准的16项任务中超越6种生成器,可合成缺失生理信号以实现低侵入性临床监测。
2026-08-18 cs.LG
Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets
German Aerospace Center(德国航空航天中心);Institute of Data Science(数据科学研究所);Technische Universität Berlin(柏林工业大学)
本文提出PCMCI⁺方法,用于在自相关非线性时间序列中发现同期与滞后因果关系,该方法提升了因果发现的可靠性与效率,在实验中表现优于现有方法。
2026-11-02 cs.LG stat.ME stat.ML
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
Beyond Output-Space Calibration: Spectral Evidence Bundling for Selective Reliability Estimation in Time-Series Classification
Macquarie University(麦考瑞大学)
研究针对时间序列分类可靠性问题,提出验证门控固定标签可靠性策略,结合输出端线索与频谱描述符形成可靠性估计,经实验在多个数据集和骨干家族上提升了选择性可靠性指标,验证门控进一步优化了结果。
2026-07-22 cs.AI 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
Leaning Time-Varying Instruments for Identifying Causal Effects in Time-Series Data
University of South Australia(南澳大学);RMIT University(皇家墨尔本理工大学);Guangxi Normal University(广西师范大学)
针对时间序列数据中时变潜在混杂因素导致因果效应估计偏差的问题,提出TDCIV方法,利用LSTM和VAE从代理变量中学习时变CIV及其条件集,理论验证其有效性,实现准确估计。
2024-11-26 cs.AI cs.LG
CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary Time Series Data
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文提出CDANs方法,用于自相关非平稳时间序列的因果发现,通过优化条件集和识别变化模块,有效处理高维性并识别滞后及同期因果关系,实验验证了其有效性。
2023-10-16 cs.AI cs.LG stat.ME
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
本文提出时间条件归一化流框架,通过建模时间依赖性与不确定性,实现多变量时间序列的高效异常检测。
2026-03-10 cs.AI cs.LG
Giving Sensors a Voice: Multimodal JEPA for Semantic Time-Series Embeddings
C3 AI
提出CHARM模型,通过通道级文本描述与Transformer编码器结合,利用联合嵌入预测架构(JEPA)学习语义时间序列嵌入,在异常检测、分类和预测任务中仅用线性探针即取得强性能。
2026-05-29 cs.LG
GALA: Generation-Aware Cross-Modal Alignment for Text-to-Time-Series Synthesis
本研究针对文本到时间序列合成中条件表示与信号模态不匹配的问题,提出GALA两阶段跨模态对齐方法,在TSFragment-600K数据集上实现SOTA,打破了生成器内部文本编码器的保真度与贴合度权衡。
2026-10-14 cs.CL cs.LG
Ill-Conditioning in Dictionary-Based Dynamic-Equation Learning: A Systems Biology Case Study
本文研究了基于字典的动态方程学习中的病态问题,通过系统生物学中的基准模型,分析了多重共线性和条件数对模型恢复的影响,发现正交多项式基底在某些情况下可能不如单项库有效。
2026-03-11 cs.LG cs.NA math.DS
Learning Where to Look: A Shared Relative-Alignment Module for Time-Series Forecasting and PPG-to-Vital-Sign Reconstruction
Neurogica Inc.(Neurogica 公司)
本文提出ROOSTER模块,通过可学习的周期梳状偏置统一处理时间序列预测与PPG到生命体征重建,在多个基准上取得最优性能,并验证了相对对齐机制的有效性。
2026-09-24 cs.LG
Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles
Univie Doctoral School of Computer Science (DOCS)(维也纳计算机科学博士学院)
本文通过赖兴巴赫原理和因果贝叶斯网络重新解释格兰杰因果关系,提出因果化格兰杰因果关系(c-GC)算法,赋予其稳健的因果解释,并在合成数据上取得满意结果。
2026-07-31 cs.LG econ.EM stat.ME
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
Generative modeling of spatio-temporal weather patterns with extreme event conditioning
University of Warwick(华威大学);TUM(慕尼黑工业大学);LSE(伦敦政治经济学院);DLR(德国航空航天中心)
深度生成模型越来越多地用于获得地理空间数据领域的见解,例如,for climate气候data数据.然而,大多数现有的方法与时间快照或假设1D时间序列,很少有能够同时捕获时空过程。除此之外,地球系统的数据往往表现出高度不规则和复杂的模式,例如由极端天气事件造成的。由于气候变化,这些现象只会越来越频繁。在这里,我们提出了一种新的基于GAN的方法,用于生成以检测到的极端事件为条件的时空天气模式。我们的方法增强了GAN生成器和编码的极端天气事件分割掩模。这些分割掩码可以使用现有的事件检测框架从原始输入创建。因此,我们的方法是高度模块化的,可以与自定义GAN架构相结合。我们强调我们提出的方法在实验中与现实世界的地面辐射和纬向风数据的适用性。
2021-04-26 cs.AI cs.CV cs.LG
CASE-NET: Deep Spatio-Temporal Representation Learning via Causal Attention and Channel Recalibration for Multivariate Time Series Classification
Shandong Technology and Business University(山东技术与商业大学);Ludong University(鲁东大学)
本文提出CASE-NET,通过因果注意力和通道重校准模块,解决多变量时间序列分类中时空表示不准确的问题,实现在四个任务上达到新的最先进基准,最高准确率达98.6%。
2026-05-21 cs.LG
On the Role of Inductive Bias in Time-Series Pretraining: A Case Study in Learning Generalizable Representations for Clinical Time Series
ETH Zurich(苏黎世联邦理工学院);Swiss Paraplegic Research(瑞士脊髓损伤研究所);ETH Zurich, Swiss Paraplegic Research(苏黎世联邦理工学院、瑞士脊髓损伤研究所)
通过PathoFM编码器中心Transformer,结合局部补全、时间连续性和无监督上下文动力学三种互补目标,研究预训练目标中归纳偏置对跨任务类型和受试者迁移的影响,发现动态中心混合目标能产生最平衡的迁移表征。
2026-05-27 cs.LG
TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data
Imperial College London(帝国理工学院);Loughborough University(拉夫堡大学)
多变量时间序列数据的有效异常检测与诊断对于现代工业应用具有重要意义。然而,建立一个能够快速准确地查明异常观测的系统是一个具有挑战性的问题。这是由于缺乏异常标签,高数据波动性和现代应用中超低推理时间的需求。尽管用于异常检测的深度学习方法最近有所发展,但只有少数方法可以解决所有这些挑战。在本文中,我们提出了TranAD,一个基于深度Transformer网络的异常检测和诊断模型,该模型使用基于注意力的序列编码器,利用数据中更广泛的时间趋势知识快速进行推理。TranAD使用基于焦点分数的自调节来实现鲁棒的多模态特征提取和对抗训练以获得稳定性。此外,与模型无关的元学习(MAML)允许我们使用有限的数据训练模型。对六个公开数据集的广泛实证研究表明,TranAD可以通过数据和时间有效的训练在检测和诊断性能方面优于最先进的基线方法。具体而言,与基线相比,TranAD将F1分数提高了17%,将训练时间减少了99%。
2022-05-14 cs.LG
Zero-Shot Conditioning of Score-Based Diffusion Models by Neuro-Symbolic Constraints
University of Trieste(的里雅斯特大学);Aindo(Aindo公司)
提出一种无需额外训练的零样本条件采样方法,通过操纵学习到的分数并结合神经符号框架编码软逻辑约束,实现对真实条件分布的近似,在表格数据、图像和时间序列上验证了有效性。
2024-12-24 cs.AI cs.LG
BERTO: Intent-Driven Network Time Series Forecasting via Natural Language Operator Preferences
Intel Labs(英特尔实验室);Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
BERTO通过自然语言运算偏好进行意图驱动的网络时间序列预测,利用BERT框架实现交通预测和能耗优化,结合平衡损失函数和提示条件,使模型能够根据运营商需求动态调整预测偏差,实现灵活的决策感知预测。
2026-05-19 cs.LG
Simulation and Optimisation of Air Conditioning Systems using Machine Learning
Monash University(莫纳什大学)
在建筑物管理中,通常使用静态热设定点来将建筑物的内部温度保持在舒适的水平,而不管其占用情况如何。这种策略会导致大量的能量浪费,从而增加与能量相关的费用。本文探讨了如何使用机器学习方法优化特定房间在空闲期间使用的设定点。我们引入了一种基于递归神经网络(RNN)的深度学习模型,该模型可以直接预测未来某个特定房间无人居住的温度,并通过使用这些预测的温度,定义了在无人居住期间在房间内使用的最佳热设定点。我们表明,RNN特别适合这种学习任务,因为它们使我们能够在许多相对较短的系列中学习,这对于专注于空调(AC)系统的特定操作模式是必要的。我们评估了RNN模型对一组最先进模型的预测准确性,并且能够大幅超越这些模型。我们还分析了RNN模型在使用大学演讲厅的温度数据优化真实场景中AC系统的能耗方面的使用。基于模拟,我们表明,与不使用优化技术的传统温度控制模型相比,我们的RNN模型可以节省约20%。
2020-06-27 cs.LG cs.NE stat.ML
Time Series Generation Under Data Scarcity: A Unified Generative Modeling Approach
Ben-Gurion University of The Negev(内盖夫本-古里安大学)
针对数据稀缺下时间序列生成性能下降问题,提出统一扩散生成框架,通过预训练和动态卷积等创新,在少样本及全数据基准上均达最优。
2025-05-26 cs.LG
LoaDiff: Conditional Generation of Electricity Consumption Time Series for Energy Analytics
EDF R&D(法国电力集团研发部);Université Paris Cité(巴黎西岱大学)
LoaDiff是一种基于扩散的生成模型,用于生成亚小时级居民电耗曲线,支持静态和动态条件控制,在保真度、多样性和下游应用上表现优异。
2026-09-11 cs.AI cs.LG eess.SP
The Failures of Marginal Influence-Based Attribution Methods for Global Time Series Explanations
XITASO GmbH(西塔索有限公司)
研究时间序列模型可解释性方法中基于边际影响的归因方法失效问题,指出主要因计算不匹配,定义DAG忠实性,发现标准归因方法如SHAP通常不满足DAG忠实性,其扩展也有同样计算限制。
2026-07-21 cs.AI cs.LG
UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting
School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University, Xi’an 710072, China(人工智能学院、光学与电子学(iOPEN)、西北工业大学,西安710072,中国);Institute of Artificial Intelligence (TeleAI), China Telecom, China(人工智能研究所(TeleAI)、中国电信,中国)
UniDiff提出了一种统一的扩散框架,通过融合文本和时间戳信息,提升多模态时间序列预测的准确性与鲁棒性。
2025-12-08 cs.LG
Efficient probabilistic reconciliation of forecasts for real-valued and count time series
IDSIA, Dalle Molle Institute for Artificial Intelligence(IDSIA,达莱·莫莱人工智能研究所);Department of Mathematics, University of Pavia(帕维亚大学数学系)
本文提出基于条件化的概率协调新方法,并引入自下而上重要性采样算法,适用于任意分布,显著加速并提升分层时间序列预测的一致性。
2023-10-12 cs.LG stat.ML
The Rise of Diffusion Models in Time-Series Forecasting
Delft University of Technology(代尔夫特理工大学)
本文综述了扩散模型在时间序列预测中的应用,系统梳理了11个具体实现、理论基础、数据集效果及相互比较,并展望了未来研究方向。
2024-01-17 cs.AI cs.LG
Protein Secondary Structure Prediction Using Deep Multi-scale Convolutional Neural Networks and Next-Step Conditioning
Google Brain(谷歌大脑)
最近开发的深度学习技术显著提高了各种语音和图像识别系统的准确性。在本文中,我们适应这些技术的蛋白质二级结构预测。我们首先训练了一系列深度神经网络,以预测给定蛋白质氨基酸序列信息的八类二级结构标签,并发现使用最近的正则化方法,如dropout和权重范数约束,可以在准确性方面获得可测量的收益。然后,我们调整最近的卷积神经网络架构-Inception,ReSNet和DenseNet与批量归一化-蛋白质结构预测的问题。这些卷积架构大量使用多尺度滤波器层,同时计算多个尺度上的特征,并使用残差连接来防止欠拟合。使用这些架构的精心修改版本,我们在公共CB 513基准数据集上实现了每个氨基酸70.0%准确度的最新性能。最后,我们探索了序列到序列学习的补充,改变模型以使其预测以蛋白质的氨基酸序列及其过去的二级结构标签为条件。我们介绍了一种将这种条件模型与我们的卷积模型集成的新方法,这种方法在CB 513上达到了70.6%Q8的准确性。我们认为,这些结果可以通过更复杂的尝试来控制条件模型的过拟合,从而进一步改进预测准确性。我们的目标是将这些实验的代码作为TensorFlow存储库的一部分发布。
2016-11-04 cs.LG q-bio.BM
Discovering Entity-Conditioned Lag Heterogeneity: A Lag-Gated Neural Audit Framework for Panel Time Series
School of Engineering Jönköping University(工程学院 琼斯科普инг大学)
本文提出了一种用于面板时间序列的滞后门神经审计框架AC-GATE,旨在解决不同实体在不同时间跨度上对历史信号的响应问题,通过引入适应性编码器和尺度不变滞后门,实现对滞后异质性的发现和结构化输出。
2026-05-20 cs.LG
Aurora-X: Built for Extreme Time Series Forecasting
East China Normal University(华东师范大学)
Aurora-X是一个十亿规模的时间序列基础模型,通过渐进式课程学习、统一架构和模式引导的专家混合,实现了跨变量建模与概率预测,在多个基准上达到最先进性能。
2026-09-28 cs.LG
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
Diffusion Models for Tabular Data Imputation and Synthetic Data Generation
Universidad de Valladolid(瓦拉多利德大学)
本文提出面向表格数据的增强扩散模型,通过条件注意力、编码器-解码器 transformer 去噪网络和动态掩码,在统一框架中完成缺失值插补与合成数据生成,并从机器学习效率、统计相似性和隐私风险方面评估。
2025-06-02 cs.LG
SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting
Google Cloud AI Research(谷歌云人工智能研究院);University of Virginia(弗吉尼亚大学)
针对传统预测难以应对事件驱动的时间序列,SEER提出闭环框架,通过反思性检索记忆和因果知识库动态优化事件条件,并在六个基准上超越现有模型。
2026-10-06 cs.AI cs.CL cs.LG
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
Continual Learning for Multivariate Time Series Tasks with Variable Input Dimensions
TCS Research(塔塔咨询服务公司研究院)
我们考虑一系列相关的多变量时间序列学习任务,例如从多传感器数据的时间序列中预测机器的不同实例的故障,或者从多个可穿戴传感器中对不同个体的活动识别任务。我们专注于在这种环境中出现的两个未充分探索的实际挑战:(i)每个任务可能具有不同的传感器子集,即,提供对基础“系统”的不同部分观察。这种限制可能是由于不同的制造商在前一种情况下,和人们穿着或多或少的测量设备在后者(ii)我们不允许存储或重新访问数据从一个任务,一旦它已被观察到在任务级别。这可能是出于对人的隐私考虑,或者是机器所有者的法律限制。尽管如此,我们希望(a)利用完成任务的经验提高后续任务的性能,以及(b)继续在过去的任务中表现得更好,例如,在从随后观察到的机器中学习之后,更新模型并改进甚至第一台机器上的预测。我们注意到,现有的持续学习方法不考虑由于跨任务可用的传感器的不同子集而产生的输入维度的可变性,并且难以适应这种可变输入维度(VID)任务。在这项工作中,我们解决了现有方法的这一缺点。为此,我们学习特定于任务的生成模型和分类器,并使用它们来增强目标任务的数据。由于任务之间的输入维度不同,我们提出了一种新的条件模块的基础上图神经网络,以帮助一个标准的递归神经网络。我们评估了所提出的方法在三个公开可用的数据集上的有效性,这些数据集对应于两个活动识别任务(分类)和一个统计任务(回归)。
2022-03-14 cs.LG
Graph2TS: Structure-Controlled Time Series Generation via Quantile-Graph VAEs
Informatics Institute, University of Amsterdam, Amsterdam, The Netherlands(阿姆斯特丹大学信息学院);Computer Architecture for Embedded Systems, University of Twente, Enschede, The Netherlands(特文特大学嵌入式系统计算机架构);Laboratory of Artificial Intelligence, Institute Jozef Stedan, Ljubljana, Slovenia(乔泽夫·斯特达安研究所人工智能实验室)
本文提出Graph2TS,通过分位数图变分自编码器实现时间序列生成,通过结构与残差分离提升分布保真度和时序对齐。
2026-03-20 cs.AI cs.LG
UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction
Department of Chemical Engineering, Norwegian University of Science and Technology (NTNU)(化学工程系,挪威科学与技术大学);Department of Computing, Imperial College London(计算系,帝国理工学院伦敦分校)
本文提出UTOPYA框架,通过融合八种数据模态,利用FiLM条件交叉模态注意力和门控融合,共同解决批次蒸馏中的异常检测、时间序列预测和相分类问题,并通过物理信息正则化方案和课程学习方法提升性能。
2026-05-18 cs.LG
StaTS: Spectral Trajectory Schedule Learning for Adaptive Time Series Forecasting with Frequency Guided Denoiser
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)
StaTS通过交替更新学习噪声调度和去噪器,提升时间序列预测的结构保持和异质恢复能力。
2026-02-08 cs.AI cs.LG
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
High-recall causal discovery for autocorrelated time series with latent confounders
German Aerospace Center(德国航空航天中心);Institute of Data Science(数据科学研究所)
我们提出了一种新的方法,从观测时间序列中发现线性和非线性,滞后和同期的约束为基础的因果关系存在潜在的混淆。我们发现,现有的因果关系发现方法,如FCI和变种遭受低召回自相关时间序列的情况下,并确定低效果大小的条件独立性测试的主要原因。信息理论的论点表明,效果大小往往可以增加,如果因果父母包括在条件设置。为了尽早确定父母,我们建议一个迭代的过程,利用新的方向规则,以确定祖先的关系已经在边缘去除阶段。我们证明了该方法是序无关的,并且在Oracle情况下是可靠的和完全的。大量的模拟研究不同数量的变量,时间滞后,样本量,并进一步的情况下,证明我们的方法确实实现了更高的召回率比现有的方法的情况下,自相关的连续变量,同时保持在所需的水平误报。这种性能增益随着更强的自相关性而增长。在https://github.com/jakobrunge/tigramite上,我们提供了模拟研究中涉及的所有方法的Python代码。
2021-02-01 cs.LG stat.ME stat.ML
BeliefGraph-JEPA: Structured Latent World Models for Action-Conditioned Time Series
Carnegie Mellon University(卡内基梅隆大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Stevens Institute of Technology(史蒂文斯理工学院)
针对动作条件时间序列预测,提出BeliefGraph-JEPA结构化潜在世界模型,通过类型化潜在效应状态和图路由捕捉未来驱动因素影响,在四个多目标系统上优于多种基线。
2026-10-06 cs.AI cs.LG
Predict, Refine, Synthesize: Self-Guiding Diffusion Models for Probabilistic Time Series Forecasting
Technical University of Munich(慕尼黑工业大学);AWS AI Labs(亚马逊云科技人工智能实验室)
本文提出了无条件训练的扩散模型TSDiff,通过自引导机制在推理时实现下游任务的条件化,在预测、优化和合成数据生成任务中表现出色。
2023-11-22 cs.AI cs.LG stat.ML
TS-Mob: Social and Geographical-Aware Time Series Foundation-Model Framework for Human Mobility Prediction
MobS Lab, Bruno Kessler Foundation(布鲁诺·凯瑟林基金会移动实验室);Department of Computer Science, University of Trento(特伦托大学计算机科学系)
TS-Mob框架通过结合地理社交信号与天气协变量微调TimesFM模型,在多类移动性预测基准上显著优于各类基线,且在不同时间区间表现稳健。
2026-08-12 cs.CY cs.LG
PHINN: Persistent Homology Inspired Neural Network for Rare-Event Time Series Generation
Defense.Codes (a DBA of CapaCloud Corp)(Defense.Codes(CapaCloud Corp 的商用名))
提出PHINN框架,利用动态Betti曲线作为条件信号和持久景观损失保持同调一致性,在金融、流行病和多模态基准上拓扑保真度优于统计和扩散基线。
2026-06-16 cs.LG math.AT q-fin.RM