KDD2025 | StochDiff：首次将扩散过程融入时序建模，手术实测可用，登顶临床预测任务！

本篇论文来自KDD2025第二轮，最新前沿时序技术，提出了StochDiff模型，这个模型首次将扩散过程融入时间序列建模阶段，有效解决了高随机性时间序列的预测难题。

了解顶会最新技术，紧跟科研潮流，研究与写作才能保持在时代一线，全部73篇KDD2025(1+2轮)前沿时序合集小时已经整理好了，在功🀄浩“时序大模型”发送“资料”扫码回复“KDD2025时序合集”即可自取~其他顶会时序合集也可以回复相关顶会名称自取哈~（AAAI25,ICLR25,ICML25等）

文章信息

论文名称：Stochastic Diffusion: A Diffusion Based Model for Stochastic Time Series Forecasting

论文作者： Yuansan Liu、Sudanthi Wijewickrema、Dongting Hu、Christofer Bester、Stephen O’Leary、James Bailey

研究背景

近年来，扩散概率模型在建模和生成各类数据（如图像、文本、音频）方面取得了显著成功，为生成式时间序列预测提供了新思路。然而，现有基于扩散的时间序列预测方法存在以下局限：

• 依赖序列模型（如 RNN、Transformer）和单峰潜变量捕捉全局依赖关系，难以处理高随机性时间序列数据。

• 扩散模块通常在时间序列建模后 “事后应用”，与时序建模过程整合度低。

• 单峰潜变量分布难以编码真实世界时间序列的复杂动态和不确定性，尤其在临床数据等异质性数据中表现不佳。

由此提出新模型StochDiff，以解决上述问题。

模型框架

Stochastic Diffusion（StochDiff）模型能通过在序列框架的每个时间步应用扩散模块，实现对时序依赖和随机性的分步学习。有5个核心设计：

分步扩散整合：在序列模型的每个时间步嵌入扩散模块，而非事后应用，使潜变量能编码每个时间步的特定分布。

数据驱动先验学习：通过先验编码器从历史隐藏状态中学习潜变量的均值和方差，形成动态先验分布。

条件生成扩散：反向扩散过程以潜变量为条件，通过交叉注意力机制融合时序动态和不确定性。

双目标优化：结合 KL 散度（优化先验与后验的匹配）和数据重建损失（优化扩散过程）。

改进的点预测方案：在推理阶段用高斯混合模型拟合采样结果，选择最大聚类中心作为最终点预测。

实验结果

数据集：6 个真实世界数据集，包括 4 个同质时序数据（Exchange、Weather、Electricity、Solar）和 2 个高随机性临床数据（ECochG 人工耳蜗信号、MMG 子宫磁图信号）。

基线模型：对比 TimeGrad、SSSD、TimeDiff、TMDM 等主流扩散模型及 Transformer MAF。

评价指标：采用 NRMSE（归一化均方根误差）和 CRPS sum（累积分布概率评分）评估预测性能。

关键实验结果：

同质数据：与现有 SOTA 方法相当，在 Weather 数据集上 NRMSE 达 0.491（最优）。

临床数据突破：ECochG 数据集 NRMSE 0.859、CRPS sum 0.435；MMG 数据集 NRMSE 1.529、CRPS sum 0.818，均为最优，相对提升约 15% 和 14%。

采样效率：5 步预测采样时间仅 0.9813 秒，显著快于其他模型（如 TimeGrad 需 2.75 秒）

消融实验：数据驱动先验是关键提升因素，仅增加 3.1% 参数即显著改善性能

实际应用案例：在人工耳蜗植入手术模拟中，StochDiff 能准确预测耳蜗微音信号（CM）的 “创伤性下降”（幅度下降 > 30%），且实时采样速度满足手术需求，证明其在临床监测中的实用价值。

小小总结

StochDiff 通过深度整合扩散过程与时序建模，以及数据驱动的分步先验设计，有效解决了高随机性时间序列的预测挑战。在临床等高变异场景中表现卓越，同时保持高效采样性能，为医疗等关键领域的时序预测提供了创新方法。

2025顶会前沿时序合集，攻🀄豪关注“时序大模型”，回复“资料”即可自取~

关注小时，持续学习前沿时序技术！