Wavelet Flow Matching for Time Series
作者: Lucas Poinsignon, Jorge da Silva Gonçalves, Samuel Ruipérez-Campillo, Julia E. Vogt
分类: cs.LG, cs.AI
发布日期: 2026-09-30
备注: 45 pages, including appendix; 11 figures, 13 tables
💡 一句话要点
提出小波流匹配方法以生成多变量时间序列
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 时间序列生成 小波变换 流匹配 多变量数据 跨通道依赖性 数据增强 隐私保护
📋 核心要点
- 现有方法在生成合成时间序列时难以同时忠实再现多尺度时间结构和跨通道依赖性。
- 本文提出通过小波域中的流匹配来生成多变量时间序列，利用多层离散小波系数来表示不同尺度的结构。
- 在七个基准数据集上，本文方法在大多数情况下表现最佳，尤其在Context-FID和判别分数上取得了显著提升。
📝 摘要（中文）
合成时间序列在数据增强、隐私保护数据共享和下游模型开发中越来越受到重视，但忠实再现多尺度时间结构和跨通道依赖性仍然具有挑战性。本文研究了通过小波域中的流匹配进行多变量时间序列生成。该模型在多层离散小波系数上操作，而不是直接在时间域中，从而在不同尺度上分别表示粗略结构和逐渐细化的细节。由于变换独立作用于每个通道，我们将其与通道令牌变换器相结合，后者的注意力机制直接建模跨通道依赖性。实验结果表明，在七个基准数据集和四个序列长度上，我们的方法在大多数数据集-指标组合中表现最佳或并列最佳，尤其在Context-FID和判别分数上取得了显著且一致的提升。
🔬 方法详解
问题定义：本文旨在解决合成时间序列生成中的多尺度时间结构和跨通道依赖性再现问题。现有方法往往无法有效处理这些复杂性，导致生成的时间序列质量不高。
核心思路：论文的核心思路是通过在小波域中进行流匹配，利用多层离散小波系数来分别表示粗略结构和细节，从而实现更高质量的时间序列生成。这样的设计使得模型能够自然地进行粗到细的生成过程，而无需显式的多尺度调度。
技术框架：整体架构包括小波变换模块和通道令牌变换器。小波变换模块负责提取多层次的小波系数，而通道令牌变换器则通过注意力机制建模跨通道依赖性，确保生成的时间序列在各个通道之间保持一致性。
关键创新：最重要的技术创新在于将小波流匹配与通道令牌变换器相结合，形成了一种新的生成框架。这种方法与现有的直接在时间域中生成的方式有本质区别，能够更好地捕捉时间序列的多尺度特性。
关键设计：在参数设置上，模型采用了适应性的小波变换，损失函数设计上则注重生成序列的多样性和真实性。此外，网络结构中引入了通道令牌机制，以增强跨通道信息的交互和依赖建模。
🖼️ 关键图片
📊 实验亮点
在七个基准数据集上，本文方法在大多数数据集-指标组合中表现最佳或并列最佳，尤其在Context-FID和判别分数上取得了显著且一致的提升，显示出该方法在生成质量上的优势。
🎯 应用场景
该研究的潜在应用领域包括金融数据分析、气象预测和医疗监测等。通过生成高质量的合成时间序列，能够在数据稀缺的情况下进行模型训练和验证，从而提高模型的鲁棒性和准确性。未来，该方法有望在隐私保护数据共享和数据增强等场景中发挥重要作用。
📄 摘要（原文）
Synthetic time series are increasingly used for data augmentation, privacy-preserving data sharing, and downstream model development, yet faithfully reproducing both multi-scale temporal structure and cross-channel dependencies remains challenging. We study multivariate time-series generation through flow matching in the wavelet domain. By operating on multilevel discrete wavelet coefficients rather than directly in the time domain, the model represents coarse structure and progressively finer details at separate scales. Their naturally different variances further induce an implicit coarse-to-fine generative process without requiring an explicit multi-scale schedule. Since the transform acts independently on each channel, we pair it with a channel-token transformer whose attention directly models cross-channel dependencies. Across seven benchmark datasets and four sequence lengths, our method is best or tied on a majority of dataset-metric combinations, with the largest and most consistent improvements in Context-FID and discriminative score.