Representation Learning of Multivariate Time Series using Attention and Adversarial Training
University of Tübingen(蒂宾根大学);University of Lübeck(吕贝克大学)
针对多变量时间序列生成研究不足的问题,提出基于Transformer的自编码器,用对抗训练正则化生成人工多变量时间序列,经t-SNE、DTW和熵分数评估,生成信号与示例数据集相似度高于卷积网络方法。
2024-12-11 cs.LG
Generating Multivariate Load States Using a Conditional Variational Autoencoder
Delft University of Technology(代尔夫特理工大学)
对于电力系统的规划和操作工具的校准,在大范围的代表性场景中分析系统性能是必不可少的。当可用的历史数据有限时,生成模型是一个很有前途的解决方案,但建模高维依赖性是具有挑战性的。提出了一种基于条件变分自编码(CVAE)神经网络的多变量负荷状态生成模型。超越常见的CVAE实现,该模型包括在给定的潜在向量下输出样本的随机变化,并共同优化该输出可变性的参数。结果表明,这提高了所生成的数据的统计特性。使用单变量和多变量性能度量来评估生成的多变量负载的质量。欧洲网络的发电充裕度的案例研究被用来说明模型的能力,以产生现实的尾部分布。实验结果表明,该生成器优于其他数据生成机制。
2022-12-14 cs.LG cs.SY eess.SY
MIDiff: Tackling Sparsity and Imbalance in Mobile Usage Generation via Multivariate-Imaging Diffusion
针对移动使用数据存在的稀疏性、变量异构及使用不平衡问题,提出多变量成像扩散框架MIDiff,通过C-GASF转换数据,在U-Net中用三重注意力保持一致性和依赖性,实验表明该方法在生成移动使用轨迹上性能优异。
2026-07-17 cs.LG
TriShGAN: Enhancing Sparsity and Robustness in Multivariate Time Series Counterfactuals Explanation
本文提出TriShGAN,通过在CounteRGAN框架中引入三元组损失和Shapelet提取器,在保持低代价的同时增强多元时间序列反事实解释的鲁棒性与稀疏性。
2025-11-09 cs.AI cs.LG
Inference with Multivariate Heavy-Tails in Linear Models
Carnegie Mellon University(卡内基梅隆大学)
重尾分布自然会出现在许多现实生活中的问题。不幸的是,在涉及这种重尾分布的图形模型中,通常不可能以封闭形式计算推理。在这项工作中,我们提出了一种新的简单的线性图形模型的独立潜随机变量,称为线性特征模型(LCM),定义在特征函数域。使用稳定分布,一个重尾分布族,它是柯西,列维和高斯分布的推广,我们第一次展示了如何在这样的线性多变量图形模型中计算精确和近似的推断。LCM不限于稳定分布,事实上LCM总是针对任何随机变量(离散,连续或两者的混合)定义的。我们从计算机网络领域提供了一个现实的问题,以证明我们的建设的适用性。其他潜在的应用是具有非高斯噪声的线性信道的迭代解码。
2011-03-21 cs.IT cs.LG math.IT
The Neural Hawkes Process: A Neurally Self-Modulating Multivariate Point Process
Johns Hopkins University(约翰斯·霍普金斯大学)
世界上发生了许多事件。有些事件类型是随机激发或抑制的-在某种意义上说,它们的概率升高或降低-由先前事件序列中的模式引起。发现这些模式可以帮助我们预测接下来会发生什么类型的事件以及什么时候发生。我们通过构建一个神经自调制的多变量点过程来模拟连续时间中的离散事件流,其中多个事件类型的强度根据一种新的连续时间LSTM进行演变。这种生成模型允许过去的事件以复杂和现实的方式影响未来,通过将未来事件的强度调节到消耗过去事件流的递归神经网络的隐藏状态。我们的模型具有理想的定性性质。它在真实和合成数据集上实现了具有竞争力的似然性和预测准确性,包括在缺失数据条件下。
2017-11-21 cs.LG stat.ML
IMUDiffusion: A Diffusion Model for Multivariate Time Series Synthetisation for Inertial Motion Capturing Systems
Research Group Biomechatronics Ulm University of Applied Sciences(生物机械学研究组 奥尔姆应用科学大学)
IMUDiffusion是一种专为惯性运动捕捉系统设计的扩散模型,通过生成合成数据提升人类活动分类器性能,显著提高宏F1分数。
2024-11-05 cs.LG
Handling correlated and repeated measurements with the smoothed multivariate square-root Lasso
Université Paris Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所);CEA(法国原子能和替代能源委员会);Univ. Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心)
稀疏促进范数是高维回归中常用的范数。这种Lasso型估计的一个局限性是,最佳正则化参数取决于未知的噪声水平。诸如伴随Lasso的估计器通过联合估计噪声水平和回归系数来解决这种依赖性。此外,在许多应用中,数据是通过对多个测量值取平均值来获得的:这降低了噪声方差,但它显著减少了样本量,并阻止了精细的噪声建模。在这项工作中,我们提出了一个伴随估计,可以应付复杂的噪声结构,通过使用非平均测量。由此产生的优化问题是凸的,并服从,由于平滑理论,最先进的优化技术,利用稀疏的解决方案。在玩具数据集、逼真的模拟数据和真实的神经成像数据上证明了实际益处。
2020-09-03 cs.LG math.OC stat.AP
An Adversarial Zero-Shot Learning Approach for Anomaly Detection in Multivariate IoT Traffic Data
该研究针对物联网异常检测的设备多样、缺标注数据等挑战,提出结合对抗学习与对比损失的序列VAE框架,通过适配层、分割策略实现零样本跨域异常检测,在44种场景的6类数据集上表现出强泛化性与竞争力。
2026-09-04 cs.LG cs.NI
Decoupling Perception from Description: Computation-Grounded Representation Alignment between Multivariate Time Series and Language
该研究针对多模态时间序列语言对齐的三难困境,提出CGTime模型,通过计算处理感知、LLM处理描述,在多变量理解任务上优于更大的通用模型。
2026-09-22 cs.LG
PATH: A Discrete-sequence Dataset for Evaluating Online Unsupervised Anomaly Detection Approaches for Multivariate Time Series
Leiden University(莱顿大学);Mercedes-Benz AG(梅赛德斯-奔驰公司)
针对多元时间序列异常检测基准数据集存在的规模小、多样性不足等问题,提出基于汽车动力总成仿真的离散序列数据集PATH,提供多版本满足不同任务需求,并通过基线实验揭示半监督方法优势及阈值优化必要性。
2025-11-12 cs.AI cs.CE cs.LG
Time-IMM: A Dataset and Benchmark for Irregular Multimodal Multivariate Time Series
University of California, Los Angeles(加州大学洛杉矶分校);National Yang Ming Chiao Tung University(国立阳明交通大学)
针对现实时间序列的不规则、多模态特性,提出Time-IMM数据集和IMM-TSF基准库,通过显式建模多模态性显著提升预测性能。
2025-10-15 cs.AI cs.CL cs.LG
Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series
Department of Computer Engineering(计算机工程系);Polytechnique Montreal(蒙特利尔理工学院);Department of Compute Engineering(计算机工程系);Department of Computer Science(计算机科学系);Université de Sherbrooke(谢布鲁克大学)
针对多变量网络流量时间序列异常检测,提出融合VQC、数据重上传与SuDaI的紧凑QGAN,仅80个参数即优于经典GAN并具备噪声鲁棒性。
2025-05-16 cs.LG quant-ph
Generative Machine Learning for Multivariate Equity Returns
Bloomberg(彭博社)
本研究使用条件重要性加权自编码器和条件归一化流等现代机器学习方法,解决 S&P 500 成分股 500 维联合分布建模问题,并展示了其在合成数据生成、风险分析及投资组合优化等金融领域的广泛应用。
2023-11-21 cs.LG q-fin.ST
Causal Discovery in Multivariate Time Series through Mutual Information Featurization
Machine Learning Group, Computer Science Department, Universite' Libre de Bruxelles(布鲁塞尔自由大学计算机科学系机器学习小组)
本文提出TD2C框架,将因果发现从统计检验转为模式识别,利用信息论特征监督学习,在合成数据训练后零样本泛化,高维非线性场景性能领先。
2025-08-03 cs.LG stat.ME stat.ML
Multivariate Time Series Forecasting with Gate-Based Quantum Reservoir Computing on NISQ Hardware
Polytechnique Montréal(波士顿理工学院);Institut quantique, Université de Sherbrooke(量子研究所, Sherbrooke 大学);Thales Digital Solutions(泰雷兹数字解决方案);Université de Sherbrooke(Sherbrooke 大学)
研究针对多元时间序列预测,提出基于门控的量子储层计算方法MTS-QRC,配对量子比特并优化演化。在Lorenz-63和ENSO上实验,均方误差良好,在IBM Heron R2上表现出色,支持该方法在NISQ硬件上的实用性及相关研究。
2026-07-21 cs.ET cs.LG
Evaluating Deep Multivariate Imputation Models on Wearable Device Data
University of Bristol(布里斯托大学);University of Manchester(曼彻斯特大学);University of Birmingham(伯明翰大学)
本研究针对可穿戴设备数据的结构化缺失问题,开发了保留共缺失结构的评估与训练协议,评估BRITS、SAITS等模型性能,发现模型排名依赖评估设计,为改进多传感器可穿戴数据插补策略提供了关键基础。
2026-08-26 cs.AI cs.LG q-bio.QM
Random Process Flow Matching: Generative Implicit Representations of Multivariate Random Fields
Navier, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France(纳维尔研究所、国家科学研究中心、巴黎高等电力学院、ENPC、IP巴黎、法国);LIGM, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France(LIGM研究所、国家科学研究中心、巴黎高等电力学院、ENPC、IP巴黎、法国)
提出基于流匹配的随机过程流(RP Flow)框架,利用随机傅里叶特征学习隐式信号表示,通过集成采样编码不确定性,实现从稀疏观测生成高质量样本并校准不确定性估计。
2026-05-27 cs.LG
Real-Time Decorrelation-Based Anomaly Detection for Multivariate Time Series
Radboud University(拉德堡德大学);ASMPT
提出DAD,一种基于在线去相关学习的多元时间序列实时异常检测方法,通过单遍动态监控数据相关结构,在最小内存下实现高效检测,并在高维数据流中表现优越。
2025-07-10 cs.LG cs.SY eess.SP
Leveraging generative adversarial networks with spatially adaptive denormalization for multivariate stochastic seismic data inversion
Instituto Superior Técnico, University of Lisbon(里斯本大学高等技术学院);Institute of Earth Sciences, University of Lausanne(洛桑大学地球科学研究所)
本文提出SPADE-GANInv算法,结合预训练SPADE-GAN与地统计模拟,实现从地震数据中准确预测facies及多变量连续参数。
2025-12-02 cs.LG physics.geo-ph stat.AP
From Noise to Laws: Regularized Time-Series Forecasting via Denoised Dynamic Graphs
PRISM通过结合去噪动态图和物理惩罚正则化,实现了长跨度多变量时间序列预测的稳定与高精度。
2025-12-01 cs.LG
Metric Learning for Temporal Sequence Alignment
Ecole Normale Supérieure(巴黎高等师范学院);Inria Paris Rocquencourt(法国国家信息与自动化研究所巴黎罗克库尔中心)
在本文中,我们提出了学习马氏距离来执行多变量时间序列的对齐。此任务的学习示例是真实对齐已知的时间序列。我们铸造的对齐问题作为一个结构化的预测任务,并提出现实的损失之间的路线优化是易于处理的。我们提供了在音频到音频的上下文中的真实数据上的实验,在那里我们表明相似性度量的学习导致对齐任务的性能的改善。我们还建议使用这个度量学习框架来执行特征选择,并从基本的音频特征中构建这些特征的组合,以获得更好的对齐性能。
2014-09-10 cs.LG
Standardized Benchmark Dataset for Localized Exposure to a Realistic Source at 10$-$90 GHz
University of Split(斯普利特大学);University of Electro-Communications(电气通信大学)
针对暴露评估领域缺乏标准化数据集的问题,研究基于10–90 GHz暴露场景的有限数据统计建模生成合成数据,构建了开源高保真基准数据集,并验证了其在代理模型训练中的有效性。
2023-05-03 cs.LG eess.IV physics.med-ph
GenIAS: Generator for Instantiating Anomalies in time Series
Monash University, Melbourne, Victoria, Australia(墨尔本大学);IBM T. J. Watson Research Center, Yorktown Heights, NY, USA(IBM 沃森研究中心);Griffith University, Gold Coast, Queensland, Australia(格里菲斯大学);The University of Melbourne, Parkville, Victoria, Australia(墨尔本大学)
GenIAS通过变分自动编码器的潜在空间中的可学习扰动生成多样且真实的异常模式,提升了时间序列异常检测的性能。
2026-02-05 cs.LG
Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning
University of Michigan(密歇根大学)
提出M-SPICE框架,通过注意力机制融合区域级时序数据与空间辅助信号,在COVID-19、流感和ILI预测任务上超越现有基线。
2026-06-23 cs.LG
Are deep learning models superior for missing data imputation in large surveys? Evidence from an empirical comparison
University of Missouri(密苏里大学);Meta Platforms, Inc.(元平台公司);Harvard Medical School(哈佛医学院);Duke University(杜克大学)
多重插补(MI)是处理抽样调查中因无回答而产生的缺失数据的一种常用方法。链式方程多重插补(MICE)是多元数据中应用最广泛的多元插补算法之一,但它缺乏理论基础,计算量大。最近,基于深度学习模型的缺失数据填补方法已经在小型研究中取得了令人鼓舞的结果。然而,与MICE相比,在现实环境中评估其表现的研究有限,特别是在大型调查中。我们基于美国社区调查的子样本进行了广泛的模拟研究,以比较四种基于机器学习的MI方法的重复采样特性:带有分类树的MICE、带有随机森林的MICE、生成对抗性插补网络和使用去噪自动编码器的多重插补。我们发现深度学习插补方法在计算时间方面优于MICE。然而,在通用软件包中默认选择超参数的情况下,具有分类树的MICE在偏差、均方误差和一系列现实设置下的覆盖率方面始终优于深度学习插补方法,并且通常大幅度优于该方法。
2022-03-19 cs.LG stat.AP stat.ML
TabularARGN: A Flexible and Efficient Auto-Regressive Framework for Generating High-Fidelity Synthetic Data
MOSTLY AI
本文提出TabularARGN自回归生成框架,通过训练所有条件概率支持公平性生成、缺失填补和任意列条件生成,在保证高合成质量的同时显著降低训练与推理时间。
2025-02-06 cs.LG
Learning more physically realistic dynamics in machine-learning based weather forecasting with latent-space constraints
Department of Earth and Environmental Engineering, Columbia University(哥伦比亚大学地球与环境工程系);Learning the Earth with Artificial Intelligence and Physics (LEAP) Center, Columbia University(人工智能与物理联合地球学习中心(LEAP), 哥伦比亚大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);The Chinese University of Hong Kong(香港中文大学);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系)
本文提出通过隐空间约束改进天气预报模型,以捕捉多变量依赖关系,提升长期预报能力并保持物理真实性。
2026-05-16 cs.LG nlin.CD physics.ao-ph
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
An end-to-end data-driven optimisation framework for constrained trajectories
Inria Lille - Nord Europe Research centre(法国国家信息与自动化研究所里尔-北欧洲研究中心);Université de Lille(里尔大学)
许多现实问题需要在约束条件下优化轨迹。经典方法基于最优控制方法,但需要对潜在动态的确切了解,这可能具有挑战性,甚至是遥不可及的。在本文中,我们利用数据驱动的方法来设计一个新的端到端框架,该框架对于优化和现实的轨迹是无动态的。我们首先分解的轨迹函数的基础上,交易的初始无穷维问题的多元函数空间的参数优化问题。一个最大的\emph{a posteriori}的方法,其中包括从数据中的信息被用来获得一个新的优化问题,这是正规化。惩罚项将搜索集中在以数据为中心的区域上,并包括问题中的估计线性约束。我们将数据驱动的方法应用于航空和航行路线优化的两种设置,产生了令人满意的结果。所开发的方法已在Python库PyRotor中实现。
2021-02-05 cs.LG math.OC stat.AP