ReDiTT：用于异步时间序列的检索增强条件扩散变压器
ReDiTT: Retrieval Augmented Conditional Diffusion Transformers for Asynchronous Time Series
浏览论文内容
中文总结 AI 辅助
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。
中文摘要 AI 辅助
我们提出了一种基于扩散的异步时间序列预测模型，目标是预测下一个事件间隔时间和事件类型。为解决未来事件的固有不确定性，引入ReDiTT，它是在潜在空间运行的检索增强条件扩散变压器。训练和推理时从记忆库检索结构相似的潜在序列，通过交叉注意力纳入作为参考条件。这种基于检索的条件使模型关注相关时间动态并提供全局结构指导，稳定了长期预测并提高样本多样性。在七个真实世界数据集上的实验证明其在预测下一个事件和长期预测方面的性能达到了当前最优水平。我们的代码可在该https网址获取。
英文摘要
We present a diffusion based model for asynchronous time series prediction, where the goal is to predict the next inter event time and event type. To address the inherent uncertainty of future events, we introduce ReDiTT, a retrieval augmented conditional diffusion transformer that operates in latent space. ReDiTT retrieves structurally similar latent sequences from a memory bank during both training and inference and incorporates them as reference conditions through cross attention. This retrieval based conditioning allows the model to attend to relevant temporal dynamics and provides global structural guidance for generation. As a result, ReDiTT stabilizes long horizon forecasting and improves sample diversity. Experiments on seven real world datasets demonstrate state of the art performance on next event prediction and long horizon forecasting. Our code is available at https://github.com/BorealisAI/ReDiTT.
发表机构
- University of British Columbia（英属哥伦比亚大学）
- RBC Borealis（加拿大皇家银行北极星）
机构由 AI 辅助整理，请以论文原文为准。
