ترجمه فارسی مقاله استفاده از Priors از طریق Diffusion Bridge برای تولید سری های زمانی

چکیده

Time series generation is widely used in real-world applications such as simulation, data augmentation, and hypothesis test techniques. Recently, diffusion models have emerged as the de facto approach for time series generation, emphasizing diverse synthesis scenarios based on historical or correlated time series data streams. Since time series have unique characteristics, such as fixed time order and data scaling, standard Gaussian prior might be ill-suited for general time series generation. In this paper, we exploit the usage of diverse prior distributions for synthesis. Then, we propose TimeBridge, a framework that enables flexible synthesis by leveraging diffusion bridges to learn the transport between chosen prior and data distributions. Our model covers a wide range of scenarios in time series diffusion models, which leverages (i) data- and time-dependent priors for unconditional synthesis, and (ii) data-scale preserving synthesis with a constraint as a prior for conditional generation. Experimentally, our model achieves state-of-the-art performance in both unconditional and conditional time series generation tasks.

چکیده به فارسی (ترجمه ماشینی)

تولید سری زمانی به طور گسترده ای در برنامه های دنیای واقعی مانند شبیه سازی ، تقویت داده ها و تکنیک های آزمون فرضیه استفاده می شود.به تازگی ، مدل های انتشار به عنوان رویکرد de facto برای تولید سری زمانی ظاهر شده اند ، و بر سناریوهای سنتز متنوع بر اساس جریان داده های سری زمانی یا همبسته تأکید می کنند.از آنجا که سری های زمانی دارای ویژگی های منحصر به فردی هستند ، مانند سفارش زمان ثابت و مقیاس گذاری داده ها ، استاندارد گاوسی پیش از این ممکن است برای تولید سری زمانی عمومی مناسب باشد.در این مقاله ، ما از استفاده از توزیع های متنوع قبلی برای سنتز سوء استفاده می کنیم.سپس ، ما Timebridge را پیشنهاد می کنیم ، چارچوبی که با استفاده از پل های انتشار ، سنتز انعطاف پذیر را امکان پذیر می کند تا حمل و نقل بین توزیع های قبلی و داده های انتخاب شده را یاد بگیرند.مدل ما طیف گسترده ای از سناریوها را در مدل های انتشار سری زمانی پوشش می دهد ، که از (i) مقدمات داده و وابسته به زمان برای سنتز بی قید و شرط ، و (ب) سنتز حفظ در مقیاس داده با محدودیت به عنوان قبلی برای تولید مشروط استفاده می کند.از نظر تجربی ، مدل ما در هر دو کار تولید سری زمانی بی قید و شرط و مشروط به عملکرد پیشرفته می رسد.