摘要由 AI 生成
WaveletDiff 是一种基于多尺度波let的扩散模型框架，旨在提升时间序列生成质量。该模型通过在波let系数上直接训练，结合各分解级别的专用 Transformer 与跨级别注意力机制，利用自适应门控实现时频尺度间的信息交换，并依据帕塞瓦尔定理施加特定能量约束以保留时频特性。在六个涵盖能源、金融及神经科学的真实数据集上的测试中，WaveletDiff 的生成性能优于 FourierDiffusion、Diffusion-TS 和 SigDiffusions 等扩散模型基线。实验显示 WaveletDiff 在多数指标上表现更优，判别性和上下文 FID 分数约为基线的三分之一；相比 MSDformer，其参数量更少、训练时间更短，但在 fMRI 数据上略逊于后者，而在 EEG 数据上表现更佳。
关键实体KEY ENTITIES
GarlicWangWaveletDiff
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
全部报道（1）SOURCES
↗
WaveletDiff 框架在六个涵盖能源、金融及神经科学的真实数据集上测试，其生成性能优于 FourierDiffusion、Diffusion-TS 和 SigDiffusions 等扩散模型基线。该模型通过在波let系数上直接训练扩散模型，结合各分解级别的专用 Transformer 与跨级别注意力机制，利用自适应门控实现时频尺度间的信息交换，并依据帕塞瓦尔定理施加特定能量约束以保留时频特性。实验显示 WaveletDiff 在多数指标上表现更优，判别性和上下文 FID 分数约为基线的三分之一；相比 MSDformer，其参数量更少、训练时间更短，但在 fMRI 数据上略逊于后者，而在 EEG 数据上表现更佳。