כתבה
arXiv cs.LG ·
WaveletDiff: פיתוח דיפוזיה רב-מפלסי לייצור סדרות זמן
WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation
WaveletDiff הוא פרקטיקה חדשה לייצור סדרות זמן המשתמשת בקואפיצנטים ווולטי. היא משלבת מעבדי תרמוסטורפים לכל רמת פיצול עם מנגנוני תשומת-לב צולבים. ניתוחים נרחבים על שישה סדרות זמן אמיתיות מתחומי האנרגיה, הפיננסים והנוירוסיינסים הראו כי WaveletDiff משיגה תוצאות טובות יותר מהבסיסים של FourierDiffusion, Diffusion-TS, ו-SigDiffusions.
תקציר מקורי באנגליתarXiv:2510.11839v3 Announce Type: replace Abstract: Time series are ubiquitous in many applications that involve forecasting, classification and causal inference tasks, such as healthcare, finance, audio signal processing and climate sciences. Still, large, high-quality time series datasets remain scarce. Synthetic generation can address this limitation; however, current models confined either to the time or frequency domains struggle to reproduce the inherently multi-scaled structure of real-world time series. We introduce WaveletDiff, a new framework that trains diffusion models directly on wavelet coefficients to exploit the inherent multi-resolution structure of time series data. The model combines dedicated transformers for each decomposition level with cross-level attention mechanism
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית