A Survey on Diffusion Models for Time Series and Spatio-Temporal Data

要約

時系列データの研究は、時間の経過に伴う傾向や異常を理解し、さまざまなセクターにわたる予測的な洞察を可能にするために非常に重要です。
一方、時空間データは、空間と時間の両方で現象を分析するために不可欠であり、複雑なシステムの相互作用について動的な視点を提供します。
最近、拡散モデルは時系列および時空間データ マイニングに広く応用されています。
これらは、順次データおよび時間データの生成および推論機能を強化するだけでなく、他の下流タスクにも拡張されます。
この調査では、時系列データと時空間データにおける拡散モデルの使用を、モデル カテゴリ、タスク タイプ、データ モダリティ、および実際のアプリケーション ドメインごとに分類し、包括的かつ徹底的にレビューします。
詳細には、拡散モデルを無条件タイプと条件付きタイプに分類し、時系列データと時空間データを別々に説明します。
教師なしで動作する無条件モデルは、確率ベースのモデルとスコアベースのモデルに細分され、予測、異常検出、分類、代入などの予測タスクと生成タスクを提供します。
一方、条件付きモデルは追加情報を利用してパフォーマンスを向上させ、同様に予測タスクと生成タスクの両方に分割されます。
私たちの調査では、ヘルスケア、レコメンデーション、気候、エネルギー、オーディオ、交通などのさまざまな分野でのアプリケーションを幅広くカバーしており、これらのモデルがどのように分析してデータを生成するかについての基礎的な理解を提供します。
この構造化された概要を通じて、研究者や実践者に時系列および時空間データ分析のための普及モデルの包括的な理解を提供し、伝統的な課題に対処し、普及モデルの枠組み内で革新的なソリューションを探索することで、将来のイノベーションと応用を方向付けることを目指しています。

要約(オリジナル)

The study of time series data is crucial for understanding trends and anomalies over time, enabling predictive insights across various sectors. Spatio-temporal data, on the other hand, is vital for analyzing phenomena in both space and time, providing a dynamic perspective on complex system interactions. Recently, diffusion models have seen widespread application in time series and spatio-temporal data mining. Not only do they enhance the generative and inferential capabilities for sequential and temporal data, but they also extend to other downstream tasks. In this survey, we comprehensively and thoroughly review the use of diffusion models in time series and spatio-temporal data, categorizing them by model category, task type, data modality, and practical application domain. In detail, we categorize diffusion models into unconditioned and conditioned types and discuss time series data and spatio-temporal data separately. Unconditioned models, which operate unsupervised, are subdivided into probability-based and score-based models, serving predictive and generative tasks such as forecasting, anomaly detection, classification, and imputation. Conditioned models, on the other hand, utilize extra information to enhance performance and are similarly divided for both predictive and generative tasks. Our survey extensively covers their application in various fields, including healthcare, recommendation, climate, energy, audio, and transportation, providing a foundational understanding of how these models analyze and generate data. Through this structured overview, we aim to provide researchers and practitioners with a comprehensive understanding of diffusion models for time series and spatio-temporal data analysis, aiming to direct future innovations and applications by addressing traditional challenges and exploring innovative solutions within the diffusion model framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google