Diffusionsmodelle erzeugen jetzt realistische Zeitreihen – neue TabDDPM-Erweiterung

Diffusionsmodelle gewinnen zunehmend an Bedeutung, wenn es darum geht, synthetische Daten zu erzeugen, die gleichzeitig die Privatsphäre schützen. Besonders bei heterogenen Tabellen- und Zeitreihendaten liefern Tabular Denoising Diffusion Probabilistic Models (TabDDPM) hochwertige synthetische Stichproben. Allerdings gehen sie von einer Unabhängigkeit der einzelnen Samples aus, was sie für zeitabhängige Anwendungen wie Sensor‑Zeitreihen ungeeignet macht.

Um dieses Problem zu lösen, wurde TabDDPM um eine zeitliche Komponente erweitert. Durch den Einsatz leichter Temporal‑Adapters und kontextsensitiver Embedding‑Module werden die Daten in Fenster‑Sequenzen umgewandelt und die zeitliche Abhängigkeit explizit modelliert. Dabei kommen Zeitschritt‑Embeddings, bedingte Aktivitätslabels sowie Masken für beobachtete und fehlende Werte zum Einsatz, sodass die generierten Sequenzen kohärent und realistisch wirken.

Die Wirksamkeit der Erweiterung wurde anhand von Bigram‑Übergangsmatrizen und Autokorrelationsanalysen überprüft. Auf dem WISDM‑Accelerometer‑Datensatz erzeugt das neue System synthetische Zeitreihen, die die Muster echter Sensorwerte exakt nachbilden. Die Klassifikationsleistung bleibt dabei erhalten – ein Makro‑F1‑Score von 0,64 und eine Genauigkeit von 0,71 zeigen, dass insbesondere Minderheitsklassen gut repräsentiert werden und die statistische Ausrichtung zu den realen Daten erhalten bleibt.

Diese Ergebnisse verdeutlichen, dass Diffusionsmodelle, wenn sie mit zeitlichem Verständnis ausgestattet sind, leistungsfähige und anpassungsfähige Lösungen für die Synthese von sequentiellen Daten darstellen. Sie eröffnen neue Möglichkeiten für datenschutzfreundliche Datenaugmentation und die Erzeugung realistischer Zeitreihen in verschiedensten Anwendungsbereichen.