MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis
MedFlow 提出一种用于医疗时间序列合成的类感知多尺度流匹配框架。该框架采用向量量化多尺度分词器，以互补的时间分辨率表示医疗序列，同时捕捉粗粒度临床趋势和细粒度动态。研究引入 Token Marginal Guidance 机制，将类条件分词统计直接融入流匹配过程，引导生成朝向学习到的特定类别区域，从而强化少数类模式并保留真实数据的整体及尾部分布。在涵盖电子健康记录、脑电图和心电图信号的四个公开数据集上的实验表明，MedFlow 在下游预测任务中优于最近的基于扩散的基线方法，平均提升 AUPRC 5.8%，降低 Context-FID 88.6%，采样吞吐量提高 3.8 倍。