TimeDP: Learning to Generate Multi-Domain Time Series with Domain Prompts

要約

時系列生成モデルは、データ増強やプライバシー保護などのアプリケーションにとって重要です。
既存の時系列生成モデルのほとんどは、通常、1 つの指定されたドメインからデータを生成するように設計されています。
他のドメインからのデータを活用して一般化を改善することは、他のアプリケーション分野では機能することが証明されていますが、現実世界のさまざまな時系列カテゴリ間でパターンが大きく異なるため、時系列モデリングではこのアプローチは依然として困難です。
この論文では、TimeDP というドメイン プロンプトを備えたマルチドメイン時系列拡散モデルを提案します。
TimeDP では、時系列ベースを表す時系列プロトタイプを定義する時系列セマンティック プロトタイプ モジュールを利用します。各プロトタイプ ベクトルは、いくつかの基本的な時系列特徴を表す「ワード」として機能します。
プロトタイプ割り当てモジュールは、生成条件としてドメイン プロンプトを学習するために、抽出ドメイン固有のプロトタイプの重みを抽出するために適用されます。
サンプリング中に、ターゲット ドメインから数ショットのサンプルを含む「ドメイン プロンプト」を抽出し、そのドメイン プロンプトを条件として使用して時系列サンプルを生成します。
実験では、私たちの方法がベースラインを上回り、最先端のドメイン内生成品質と強力な目に見えないドメイン生成機能を提供することが実証されています。

要約(オリジナル)

Time series generation models are crucial for applications like data augmentation and privacy preservation. Most existing time series generation models are typically designed to generate data from one specified domain. While leveraging data from other domain for better generalization is proved to work in other application areas, this approach remains challenging for time series modeling due to the large divergence in patterns among different real world time series categories. In this paper, we propose a multi-domain time series diffusion model with domain prompts, named TimeDP. In TimeDP, we utilize a time series semantic prototype module which defines time series prototypes to represent time series basis, each prototype vector serving as ‘word’ representing some elementary time series feature. A prototype assignment module is applied to extract the extract domain specific prototype weights, for learning domain prompts as generation condition. During sampling, we extract ‘domain prompt’ with few-shot samples from the target domain and use the domain prompts as condition to generate time series samples. Experiments demonstrate that our method outperforms baselines to provide the state-of-the-art in-domain generation quality and strong unseen domain generation capability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google