arXiv cs.AI· Lin Jiang, Rongchao Xu, Guang Wang·· 3 天前AI 评分24
CrossTF：跨视图时频扩散实现极端感知的时间序列生成
Cross-View Time-Frequency Diffusion for Extreme-Aware Time-Series Generation
AI 导读
研究者提出跨视图时频扩散框架 CrossTF，利用时间视图与频率视图去噪器之间的差异实现极端感知的时间序列生成。该方法发现极端敏感的跨视图不对称性，并据此在冻结两个去噪器后，仅需在晚期跨视图窗口内用基于极值理论的目标学习逐步融合参数。在 7 个真实数据集上对比 11 个基线，CrossTF 将极端保真度提升 26.1%，整体性能提升 7.4%。
正文 · AI 翻译
摘要：生成逼真的时间序列需要忠实再现罕见但影响重大的极端事件。现有方法通常依赖专门的表示或针对极端的训练目标，这可能限制所捕获极端的多样性或损害整体分布保真度。我们提出跨视图时频扩散（CrossTF），一个利用时域和频域视图去噪器之间差异进行极端感知时间序列生成的框架。我们的关键实证发现是极端敏感的跨视图不对称性：沿连接两个视图干净样本估计的方向移动会显著改变极端保真度，而对整体生成质量影响有限。我们进一步识别出一个后期跨视图窗口，在该窗口内这种差异趋于稳定，跨视图调整对极端保真度有特别强的影响。这些发现促使 CrossTF 采用分阶段优化策略：在训练并冻结两个去噪器后，它只需在该窗口内学习步特定的融合参数，使用基于极值理论的目标函数并受能量距离约束。该公式支持在视图特定估计之间插值以及外推超出这些估计，同时限制整体生成质量的下降。在七个真实世界数据集上针对 11 个基线的大量实验表明，相对于最强基线，CrossTF 将极端保真度提高了 26.1%，整体性能提高了 7.4%。这些结果凸显了跨视图差异作为极端感知时间序列生成中低维优化的有效基础。
| 评论： | 42 页，17 幅图。正在投稿中 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17407 [cs.LG] |
| （或 arXiv:2610.17407v2 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.17407 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Lin Jiang [查看电子邮件]
[v1]
2026年10月12日星期一 21:13:37 UTC（34,392 KB）
[v2]
2026年10月14日星期三 17:05:28 UTC（34,392 KB）
来源：arXiv cs.AI · arxiv.org