TimeDP 利用领域提示生成多领域时间序列,实现跨领域泛化,提升生成质量。
原文标题:【AAAI2025】TimeDP:通过领域提示学习生成多领域时间序列
原文作者:数据派THU
冷月清谈:
为了学习领域提示,TimeDP 使用一个原型分配模块来提取领域特定的原型权重。这些权重反映了不同领域对不同原型的依赖程度,并被用作生成条件。
在生成过程中,TimeDP 首先从目标领域提取“领域提示”,然后利用这些提示来指导生成过程。这种方法使得 TimeDP 能够生成与目标领域特征一致的时间序列样本。
实验结果表明,TimeDP 不仅在领域内生成质量上优于现有方法,而且在生成未见过领域样本的能力上也表现出色,这体现了其强大的泛化能力。
怜星夜思:
2、TimeDP 如何处理不同领域时间序列长度差异的问题?
3、除了数据增强和隐私保护,TimeDP 还有什么其他的潜在应用场景?
原文内容
来源:专知本文约1000字,建议阅读5分钟
本文提出了一种基于领域提示的多领域时间序列扩散模型,命名为 TimeDP。
时间序列生成模型对数据增强和隐私保护等应用至关重要。
大多数现有的时间序列生成模型通常是针对一个特定领域的数据进行生成设计的。尽管在其他应用领域中,利用来自不同领域的数据以实现更好的泛化已被证明是有效的,但由于不同真实世界时间序列类别之间模式的巨大差异,这种方法在时间序列建模中仍然面临挑战。
本文提出了一种基于领域提示的多领域时间序列扩散模型,命名为 TimeDP。在 TimeDP 中,我们利用一个时间序列语义原型模块,该模块定义了时间序列原型来表示时间序列的基础,每个原型向量作为“词”代表某种基本的时间序列特征。我们应用了一个原型分配模块,用于提取领域特定的原型权重,从而学习领域提示作为生成条件。在采样过程中,我们从目标领域提取“领域提示”,并利用这些领域提示作为条件生成时间序列样本。实验结果表明,我们的方法在领域内生成质量上优于基线方法,并且在生成未见过领域样本的能力上也表现出色。
代码 — https://github.com/YukhoY/TimeDP