Diffusion Models for Time Series Applications: A Survey

要約

タイトル：時系列アプリケーションのための拡散モデル：サーベイ

要約：
– 拡散モデルは、深層学習に基づく生成モデルの1つであり、観測されたデータに類似したサンプルを生成する優れたパフォーマンスで、最先端の機械学習研究でますます重要になってきています。
– 最近、拡散の概念が時系列アプリケーションに拡大され、多くの強力なモデルが開発されました。
– 以上の理由から、このサーベイは、この分野の新しい研究者にとって初級リソースとして、また将来の研究を促進するためのインスピレーションとして提供されます。
– 拡散モデルの基礎に関する紹介を含め、主に時系列予測、補間、生成のための拡散ベースの方法に焦点を当て、それぞれ3つの個別のセクションで提示します。
– 同じアプリケーションの異なる方法を比較し、関連性があればそれを強調します。
– 最後に、拡散ベースの方法の共通の制限を結論づけ、潜在的な将来の研究方向を強調します。

要約(オリジナル)

Diffusion models, a family of generative models based on deep learning, have become increasingly prominent in cutting-edge machine learning research. With a distinguished performance in generating samples that resemble the observed data, diffusion models are widely used in image, video, and text synthesis nowadays. In recent years, the concept of diffusion has been extended to time series applications, and many powerful models have been developed. Considering the deficiency of a methodical summary and discourse on these models, we provide this survey as an elementary resource for new researchers in this area and also an inspiration to motivate future research. For better understanding, we include an introduction about the basics of diffusion models. Except for this, we primarily focus on diffusion-based methods for time series forecasting, imputation, and generation, and present them respectively in three individual sections. We also compare different methods for the same application and highlight their connections if applicable. Lastly, we conclude the common limitation of diffusion-based methods and highlight potential future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI