arXiv cs.AI· Chen Su, Yuanhe Tian, Yan Song·· 11 小时前AI 评分24
DiffDiff：将可预测性不对称嵌入扩散轨迹的时间序列预测框架
Differencing the Diffusion Trajectory toward Uncertain Components for Time Series Forecasting
AI 导读
DiffDiff 提出一种扩散框架，把时间序列中历史可锚定部分与高频不确定部分的不对称性直接嵌入扩散轨迹，通过随步数变化的前向算子让含噪中间状态逐步转向目标的二阶差分结构。该框架在四个预测跨度、七个基准上优于六个扩散基线，并保持与现有采样器的兼容性，论文已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：扩散模型已成为概率时间序列预测中广泛使用的框架，用于在给定观测历史的条件下对未来的取值分布进行建模。然而在时间序列预测中，未来是观测历史的延续，这造成了一种标准扩散过程未予处理的不对称性：缓慢变化的内容在很大程度上由观测到的连续性决定，而较高频的动态则承载了大部分残余不确定性。现有的基于扩散的预测器在生成之前通过外部规则解耦这种不对称性，使得加噪轨迹无法感知目标中哪些部分已能被历史锚定。我们提出 DiffDiff，一个将这种可预测性不对称性嵌入扩散轨迹本身的扩散框架，使单一的端到端扩散过程能够感知目标中哪些部分已能被历史锚定。DiffDiff 使前向算子具有步数依赖性，从而使带噪的中间状态逐步从目标本身向其二阶差分结构偏移，同时一条条件通路为去噪器提供值域与差分历史信息，并在每个扩散步由阶段自适应门控进行平衡。终端分布趋近标准高斯分布，从而保持与现有采样器的兼容性。在四个预测跨度上的七个基准上，DiffDiff 优于六个扩散基线，同时我们的分析表明，其轨迹会根据历史可预测性重新分配建模投入，并提升分布保真度。
| 评论： | 已被 NeurIPS 2026 接收。已更新为最终定稿版本 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2607.22599 [cs.AI] |
| （或 arXiv:2607.22599v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2607.22599 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chen Su [查看邮箱]
[v1]
2026年6月12日星期五 11:50:32 UTC（3,430 KB）
[v2]
2026年11月5日星期四 14:27:55 UTC（3,449 KB）
来源：arXiv cs.AI · arxiv.org