ترجمه فارسی مقاله درون یابی های مکرر برای پیش بینی سری زمانی احتمالی

چکیده

Sequential models such as recurrent neural networks or transformer-based models became \textit{de facto} tools for multivariate time series forecasting in a probabilistic fashion, with applications to a wide range of datasets, such as finance, biology, medicine, etc. Despite their adeptness in capturing dependencies, assessing prediction uncertainty, and efficiency in training, challenges emerge in modeling high-dimensional complex distributions and cross-feature dependencies. To tackle these issues, recent works delve into generative modeling by employing diffusion or flow-based models. Notably, the integration of stochastic differential equations or probability flow successfully extends these methods to probabilistic time series imputation and forecasting. However, scalability issues necessitate a computational-friendly framework for large-scale generative model-based predictions. This work proposes a novel approach by blending the computational efficiency of recurrent neural networks with the high-quality probabilistic modeling of the diffusion model, which addresses challenges and advances generative models’ application in time series forecasting. Our method relies on the foundation of stochastic interpolants and the extension to a broader conditional generation framework with additional control features, offering insights for future developments in this dynamic field.

چکیده به فارسی (ترجمه ماشینی)

مدل های پی در پی مانند شبکه های عصبی مکرر یا مدل های مبتنی بر ترانسفورماتور به ابزارهای پیش بینی سری چند متغیره به صورت احتمالی ، با کاربردهای طیف گسترده ای از مجموعه داده ها ، مانند امور مالی ، زیست شناسی ، پزشکی و غیره ، ابزارهایی برای پیش بینی سری زمانی چند متغیره تبدیل شدند.مهارت آنها در ضبط وابستگی ها ، ارزیابی عدم اطمینان پیش بینی و کارآیی در آموزش ، چالش ها در مدل سازی توزیع های پیچیده با ابعاد بالا و وابستگی های دارای ویژگی های متقابل پدیدار می شود.برای مقابله با این موضوعات ، آثار اخیر با استفاده از مدل های انتشار یا مبتنی بر جریان ، به مدل سازی تولیدی می پردازند.نکته قابل توجه ، ادغام معادلات دیفرانسیل تصادفی یا جریان احتمال با موفقیت این روشها را به سمت تغییر و پیش بینی سری زمانی احتمالی گسترش می دهد.با این حال ، مسائل مقیاس پذیری نیاز به یک چارچوب محاسباتی دوستانه برای پیش بینی های مبتنی بر مدل در مقیاس بزرگ دارد.این کار با ترکیب کارآیی محاسباتی شبکه های عصبی مکرر با مدل سازی احتمالی با کیفیت بالا از مدل انتشار ، یک رویکرد جدید ارائه می دهد ، که به چالش ها و پیشرفت های مدل های تولیدی در پیش بینی سری زمانی می پردازد.روش ما به پایه و اساس Interpolants تصادفی و گسترش به یک چارچوب تولید مشروط گسترده تر با ویژگی های کنترل اضافی متکی است و بینش هایی را برای پیشرفت های آینده در این زمینه پویا ارائه می دهد.