في عالم معالجة البيانات الزمنية، تُعتبر augmentation (زيادة البيانات الزمنية) أمرًا بالغ الأهمية في مهام التنبؤ، خاصة عندما تكون البيانات محدودة مما يعيق أداء نماذج التعلم العميق. في هذا السياق، أثبتت الشبكات التنافسية التوليدية (GANs) فعاليتها في توليد بيانات زمنية اصطناعية. ومع ذلك، تركز الأساليب الحالية بشكل أساسي على مطابقة توزيعات البيانات الهامشية، وغالبًا ما تتجاهل الديناميات الزمنية التي توجد بشكل طبيعي في السلاسل الزمنية المتعددة المتغيرات الأصلية.

هذا التباين يؤدي إلى انحراف في التوزيع والانزلاق الزمني، مما يضعف دقة التسلسلات الاصطناعية. ولحل هذه المشكلة، قدم الباحثون إطار عمل يعتمد على سلسلة ماركوف مونت كارلو (MCMC) والذي يهدف لتقليل التغير في التوزيع مع الحفاظ على الديناميات الزمنية.

من خلال تحليل نظري، أظهر الباحثون كيف أن النماذج التوليدية الشرطية يمكن أن تتراكم لديها انحرافات خلال عملية التوليد التسلسلي، وكيف أن خوارزمية MCMC تستطيع تصحيح هذه الفجوات من خلال فرض الاتساق مع إحصائيات الانتقال التجريبية بين النقاط الزمنية المجاورة.

تضمنت التجارب التي أجريت على مجموعات بيانات مثل Lorenz وLicor وETTh وILI استخدام نماذج متعددة مثل RCGAN وGCWGAN وTimeGAN وSigCWGAN وAECGAN. وأظهرت النتائج أن إطار عمل MCMC المقترح يحسن بشكل متسق التوافق الذاتي، وانحراف التوزيع، وأخطاء الكورتوز، والنقاط التمييزية والنقاط التنبؤية.

تشير هذه النتائج إلى أن توليد السلاسل الزمنية الاصطناعية المتوافقة مع البيانات الأصلية يتطلب الحفاظ الصريح على قوانين الانتقال بدلاً من الاعتماد فقط على مطابقة التوزيع التنافسي، مما يقدم اتجاهًا مدروسًا لتحسين النمذجة التوليدية للبيانات الزمنية.