摘要
扩散模型已成为概率时间序列预测的广泛框架，通过建模给定观察历史的未来值分布。然而，在时间序列预测中，未来值是对观察历史的延续，这种不对称性在标准扩散过程中未被解决。慢变内容主要由观察的连续性决定，而高频动态则承载大部分残余不确定性。现有的基于扩散的预测器通过外部规则在生成之前解耦这种不对称性，导致腐蚀轨迹无法识别历史可以锚定目标的哪些部分。
我们提出了DiffDiff，这是一种将这种可预测性不对称性嵌入扩散轨迹本身的扩散框架，使得单一的端到端扩散过程能够识别历史可以锚定目标的哪些部分。DiffDiff使得前向算子逐步依赖于状态，使得噪声中间状态逐渐从目标本身转向其二阶差分结构，同时一个条件路径为去噪器提供了值域和差分历史信息，并在每个扩散步骤通过阶段自适应门进行平衡。最终分布接近标准高斯分布，保持与现有采样器的兼容性。在四个预测时间范围内的七个基准测试中，DiffDiff的表现超过了六个扩散基线，并且我们的分析确认DiffDiff将扩散的生成努力集中在目标中最不确定的部分，同时减轻了重建历史锚定内容的负担。
博主点评：DiffDiff通过智能地整合历史信息与扩散过程，显著提高了时间序列预测的精准度。这种方法在处理不确定性方面展现了独特的优势，值得在未来的研究和应用中深入探索。