【论文】可以用来解决工业制造领域问题的时间序列和时空数据扩散模型

[苹果二]

《时间序列和时空数据扩散模型综述》这篇论文里有不少模型可以用来解决工业制造领域问题。如预测、计算机视觉、异常检测。
中文介绍
https://www.zhuanzhi.ai/vip/d2809e5cab8a1ad7aacbf7aa614f8214
英文全文
https://arxiv.org/pdf/2404.18886
论文摘要（机器翻译）：
时间序列数据的研究对于了解一段时间内的趋势和异常现象至关重要，可帮助各行各业获得预测性见解。另一方面，时空数据对于分析空间和时间现象至关重要，为复杂系统的相互作用提供了动态视角。最近，扩散模型在时间序列和时空数据挖掘中得到了广泛应用。它们不仅增强了序列和时间数据的生成和推理能力，而且还扩展到了其他下游任务。在本研究中，我们全面深入地回顾了扩散模型在时间序列和时空数据中的应用，并按照模型类别、任务类型、数据模式和实际应用领域进行了分类。具体而言，我们将扩散模型分为无条件类型和有条件类型，并分别讨论了时间序列数据和时空数据。无条件模型在无监督的情况下运行，又分为基于概率的模型和基于分数的模型，用于预测和生成任务，如预测、异常检测、分类和估算。而有条件模型则利用额外信息来提高性能，同样适用于预测和生成任务。我们的调查广泛涵盖了这些模型在医疗保健、推荐、气候、能源、音频和交通等各个领域的应用，为我们了解这些模型如何分析和生成数据提供了基础。通过这一结构化概述，我们旨在让研究人员和从业人员全面了解用于时间序列和时空数据分析的扩散模型，通过应对传统挑战和探索扩散模型框架内的创新解决方案，引导未来的创新和应用。
索引词：调查、扩散模型、时间序列、时空数据、生成模型、时空数据、DDPM、Score SDE。