ORBIT新框架：先抓全局再补细节，时间序列生成推理效率碾压先进基线！
ORBIT: Autoregressive Time Series Generation via Next Frequency-Band Prediction
📖 AI 总结
该论文提出ORBIT，一个用于时间序列生成的统一深度生成框架，旨在解决现有方法在异构时间模式分层表示学习和生成过程协调方面的不足。ORBIT包含两个核心组件：频率分层VQ-VAE将潜在时间表示分解为不同频带，并以递增的token预算进行残差量化，从而学习分层表示；频带自回归Transformer则建立从低频到高频的自回归方向，使生成过程先构建全局时间结构，再逐步融入细粒度细节。这种设计既解耦了异构时间模式以提升表示学习效果，也减轻了不同时间动态在生成过程中的相互干扰。在多个真实世界基准上的实验表明，ORBIT取得当前最优的整体性能，同时推理效率优于先进基线方法。
🔑 关键词速览
| ORBIT | 本文提出的统一深度生成框架，用于时间序列合成，核心是频带自回归生成。 |
| FH-VQ-VAE | 频率分层矢量量化变分自编码器，通过频带分解和残差量化学习分层潜在表示。 |
| FBAR | 频带自回归Transformer，按从低频到高频的顺序自回归生成时间序列。 |
| 残差量化 | 一种多阶段量化技术，每阶段对前一阶段的残差进行量化，以递增令牌预算实现分层表示。 |
| 频带分解 | 将时间序列的潜在表示按频率划分成多个频带，以分别建模不同时间尺度的模式。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅