图像合成作为可控时间序列生成的中间体

摘要

语义驱动的时间序列生成提供了一种有前途的方法来改进少样本预测中的下游学习，但直接从语言生成数字序列通常无法保留预期的时间结构。我们提出了 VisualBridge，它使用时间序列图作为视觉中间来桥接高级时间语义和数字序列。 MLLM首先将绘制的序列转换为结构化语义表示，从而能够显式控制趋势、季节性和波动性等时间属性。然后，我们学习具有下游预测奖励的语义编辑策略，允许生成过程支持有利于目标任务的时间模式。由此产生的序列进一步通过时间 VAE 建模，以产生一致的多元增强。标准公共预测基准的实验表明，VisualBridge 比传统增强方法改进了小样本预测，消融验证了视觉语义关联、学习语义控制和基于 VAE 的生成的作用。

图像合成作为可控时间序列生成的中间体的原论文方法或结果图 — 图 2：VisualBridge 的基于视觉的可控生成管道。时间序列图将结构化时间描述与数字生成联系起来。 RL 策略使用由预测无编辑生成收益驱动的奖励来学习语义编辑，在少数样本训练分割中的留出探针上进行测量。编辑和非编辑分支使用匹配的初始化和短期预算来培训预测员使用真实数据和生成数据。生成的图被转换为数字序列，并且接受的序列锚定时间 VAE 以进行多变量增强。