StaTS: Lernbare Rauschpläne verbessern Zeitreihenprognosen

StaTS ist ein neues Diffusionsmodell, das probabilistische Zeitreihenprognosen ermöglicht, indem es sowohl den Rauschplan als auch den Denoiser alternierend lernt. Durch die Anpassung des Rauschplans an die Datenstruktur kann das Modell die Genauigkeit der Vorhersagen signifikant steigern.

Traditionelle Diffusionsmodelle nutzen feste Rauschpläne, die intermediate Zustände schwer invertierbar machen und die Endzustände von der Annahme eines nahezu Rauschzustands abweichen. Zudem basieren frühere Ansätze meist auf zeitdomänenbasierten Bedingungen und berücksichtigen selten die durch den Rauschplan verursachte spektrale Degradation, was die Wiederherstellung strukturierter Muster einschränkt.

StaTS integriert einen Spectral Trajectory Scheduler (STS), der einen datenadaptiven Rauschplan mit spektraler Regularisierung lernt. Dieser Ansatz verbessert die strukturelle Erhaltung und ermöglicht eine schrittweise Invertierbarkeit. Zusätzlich nutzt der Frequency Guided Denoiser (FGD) die vom Rauschplan induzierte spektrale Verzerrung, um die Denoising‑Stärke je nach Diffusionsschritt und Variable zu modulieren und so eine heterogene Wiederherstellung zu erreichen.

Durch ein zweistufiges Trainingsverfahren wird die Kopplung zwischen Rauschplanlernen und Denoiser‑Optimierung stabilisiert, was die Konvergenz und die Modellleistung weiter erhöht.

Experimentelle Ergebnisse auf mehreren realen Benchmark‑Datensätzen zeigen konsistente Verbesserungen. StaTS erzielt dabei starke Leistungen bei gleichzeitig weniger Sampling‑Schritten. Der Quellcode ist unter https://github.com/zjt-gpu/StaTS/ verfügbar.