UniFlow: Unified Multi-Scale Flow Matching for Time Series Generation
作者: Shibo Feng, Wei Li, Min Wu, Chunyan Miao, Peilin Zhao
分类: stat.ML, cs.AI
发布日期: 2026-11-03
🔗 代码/项目: GITHUB
💡 一句话要点
提出UniFlow以解决多尺度时间序列生成问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 时间序列生成 多尺度学习 非自回归生成 流匹配 机器学习
📋 核心要点
- 现有的生成模型在处理多尺度时间序列时，往往面临复杂性增加和信息整合不足的问题。
- UniFlow通过共享语义离散接口和多尺度标记器，整合多尺度信息并实现高效的非自回归生成。
- 实验结果显示，UniFlow在生成保真度、跨尺度一致性和推理速度上均优于传统的自回归和扩散模型。
📝 摘要（中文）
现实世界中的时间序列在多个时间分辨率上展现出复杂的动态特性，但有效地将多尺度信息融入生成建模仍然具有挑战性。本文提出了UniFlow，一个统一框架，通过共享语义离散接口将多尺度表示学习与高效的非自回归生成相结合。具体而言，多尺度标记器采用共享索引投票将互补的时间信息整合为单一的公共ID序列，同时尺度特定的代码本保留重建所需的信息。基于这一统一表示，我们开发了几何感知的分类流匹配，利用学习到的低秩锚点初始化传输，并非自回归地生成公共身份。该设计在不需要多个生成标记流或顺序标记解码的情况下捕捉多尺度时间结构。实验结果表明，在四个基准测试中，无论是短期还是长期设置，生成的保真度、跨尺度一致性和推理速度均显著优于代表性的自回归和扩散基线。
🔬 方法详解
问题定义：本文旨在解决多尺度时间序列生成中的信息整合和生成复杂性问题。现有方法在处理多尺度动态时，往往需要多个生成流或复杂的解码过程，导致效率低下。
核心思路：UniFlow的核心思路是通过共享语义离散接口，将多尺度表示学习与非自回归生成相结合，从而简化生成过程并提高效率。该方法通过共享索引投票整合时间信息，避免了传统方法的复杂性。
技术框架：UniFlow的整体架构包括多尺度标记器和几何感知的分类流匹配模块。多尺度标记器负责信息整合，而分类流匹配则通过低秩锚点初始化生成过程，确保生成的公共身份具有一致性。
关键创新：最重要的创新在于引入了共享索引投票机制和几何感知的分类流匹配，这使得模型能够在不增加生成复杂性的情况下，捕捉多尺度时间结构。与现有方法相比，UniFlow显著降低了生成过程中的复杂性。
关键设计：在设计中，UniFlow采用了共享索引投票的多尺度标记器和尺度特定的代码本，确保信息的有效整合与重建。同时，模型的损失函数和网络结构经过精心设计，以支持高效的非自回归生成。
🖼️ 关键图片
📊 实验亮点
在四个基准测试中，UniFlow在生成保真度上比自回归和扩散模型提高了显著的性能，且在推理速度上实现了显著加速，展示了其在短期和长期时间序列生成中的优越性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在金融市场分析、气象预测和医疗监测等领域。通过提高时间序列生成的效率和准确性，UniFlow能够为决策支持系统提供更可靠的数据生成方案，推动智能决策的发展。
📄 摘要（原文）
Real-world time series exhibit complex dynamics across multiple temporal resolutions, yet effectively incorporating multi-scale information into generative modeling remains challenging without increasing generative complexity. We propose UniFlow, a unified framework that integrates multi-scale representation learning with efficient non-autoregressive generation through a shared-semantic discrete interface. Specifically, a multi-scale tokenizer employs shared-index voting to consolidate complementary temporal information into a single public-ID sequence, while scale-specific codebooks preserve the information required for reconstruction. Building on this unified representation, we develop geometry-aware categorical flow matching, which initializes transport from learned low-rank anchors and generates public identities non-autoregressively. This design captures multi-scale temporal structure without requiring multiple generative token streams or sequential token decoding. Experiments across four benchmarks and both short- and long-term settings demonstrate improved generative fidelity, strong cross-scale consistency, and substantial inference speedups over representative autoregressive and diffusion-based baselines. Code is available at https://github.com/William-Liwei/uniflow