StrideDiffusion：加速时间序列生成的扩散模型

扩散模型已成为时间序列的竞争生成器，但其实际使用受到推理时所需的大量连续去噪步骤的限制。现有的快速采样器通常使用固定或通用的时间步长计划，忽略了时间序列扩散的独特属性：不同的光谱带在反向过程中以不同的速率演化。我们引入了 StrideDiffusion，这是一种 无需训练 频谱感知采样器，可自适应地从带级活动中选择去噪步幅。在每一步，StrideDiffusion 都会监控相对能带能量、对数功率漂移和相速度，以确定高频动态是否保持活跃，或者轨迹是否由稳定的低频结构主导。然后，当快速变化的频带处于活动状态时，它会采取精细的步骤，而一旦只剩下粗略的成分，它就会采取更大的跳跃。带状稳定性分析表明，在确定性仿射反向更新下，非活动频带仅随跳跃大小线性变化，为频谱活动作为步长指示器提供了局部合理性。在六个无条件时间序列生成基准中，StrideDiffusion 仅使用 14-66 次函数评估，而不是 500/1000 去噪步骤，实现高达 18.9 倍的挂钟加速，同时保持或提高生成质量。在条件插补和预测方面，它进一步提供了 5-14 倍的平均加速和相当的预测精度。这些结果表明，谱演化为快速时间序列扩散采样提供了实用且有原则的信号。我们的代码可在 https://anonymous.4open.science/r/stridediff-ts 上获取。