论文略读：Auto-Regressive Moving Diffusion Models for Time Series Forecasting

UQI-LIUWJ

于 2025-06-02 22:00:24 发布

阅读量347

点赞数 1

CC 4.0 BY-SA版权

分类专栏：论文笔记文章标签：人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_40206371/article/details/148387367

论文笔记专栏收录该内容

549 篇文章

订阅专栏

AAAI 2025

在这篇论文中，时间序列的演进（)被概念化为一个扩散过程
- 时间序列的每一步都可以看成是扩散模型的一个状态
- 未来序列 $X^0_{1:T}$ （下标表示在序列中的位置，上标表示在扩散模型中的状态）作为前向扩散（演进）过程的初始状态
- 历史序列 $X_{-L+1:0}^T$ 是最终状态
不同于传统方法逐渐添加噪声生成中间状态，这篇论文提出的ARMD通过对进行滑动操作来生成中间状态，使其逐渐接近历史序列
- ——>保持了时间序列的连续性
- ——>确保每个中间状态反映了时间序列演进的特定阶段
采样（预测）阶段，ARMD 从历史序列 $X_{1-t,T-t}^t$ 开始，迭代生成对未来序列的预测，使采样过程和最终的时间序列预测目标对齐

结果

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

UQI-LIUWJ 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。