信号还是噪声？了解现实世界传感器时间序列的生成模型

生成模型改变了机器学习表示复杂数据分布的方式，尤其是在语言和视觉方面，但许多现实世界的系统被观察为连续、高维和噪声的传感器时间序列。然而，现有的传感器数据生成模型在模式、数据集和任务制定方面仍然支离破碎，限制了对生成模型何时、如何以及为何在现实世界中成功或失败的系统性理解。为了解决这一差距，我们引入了 SensorGen，这是一项针对传感器信号生成的大规模研究，涵盖 4 个领域、7 个数据集和 12 种信号模式的 14 种设置。利用 SensorGen，我们系统地评估了五个主要系列的生成模型，并发现了三个关键发现：（1）流程匹配模型在大多数设置中提供了强大的整体性能； (2) 信号属性很重要，人口统计协变量改善了纵向生成，时频建模改善了高频信号生成； (3) 生成的信号具有超越视觉真实感的实用性，通过缩放可以提高生成质量，合成数据可以提高下游性能。 SensorGen 共同建立了对现实世界传感器数据生成中的设计选择、评估协议和故障模式的更广泛的理解。