A Survey of Transformer Enabled Time Series Synthesis

生成式人工智能在图像和语言领域已经受到了很多关注，而变形金刚神经网络继续主导着这一领域的最新技术。然而，将这些模型应用于时间序列生成的研究相对较少，这对于机器学习、隐私保护和可解释性研究都具有很大的实用价值。本文调查了变形金刚、生成式人工智能和时间序列数据的交叉领域中的这一空白，并回顾了这个稀疏子领域中的相关研究工作。回顾的研究工作在方法上有很大的差异，并没有得出这个领域所面临问题的最终答案。在最初调查的变形金刚神经网络的基础上，还涉及到了GAN、扩散模型、状态空间模型和自编码器等模型。虽然这个领域还没有得出最终结论，但是回顾的研究工作已经提供了很多有启发性的信息，并提供了一些最佳实践的建议和有价值的未来研究方向。

这篇论文旨在填补transformer、生成AI和时间序列数据交叉领域的研究空白，探讨如何将transformer等模型应用于时间序列生成，以及这些模型在该领域中的实用性、隐私保护和可解释性研究。

论文综述了在时间序列生成领域中的GANs、扩散模型、状态空间模型、自编码器等多种模型，重点关注transformer模型，探讨其在时间序列生成中的应用，提出了最佳实践建议和未来研究方向。

论文中提到了多种模型在时间序列生成中的应用，实验设计灵活，使用了多个数据集，部分代码已经开源，对未来研究提出了有价值的建议。

最近的相关研究包括： 1. 'Time Series Generative Adversarial Networks' by Jinsung Yoon et al. 2. 'Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks' by Xingjian Shi et al. 3. 'Variational Autoencoder based Anomaly Detection using Reconstruction Probability' by Chandola et al.