TimeCraft

收录理由

当真实数据难以获取、采集成本过高或涉及敏感信息不便共享时，需要合成时间序列的团队会从 TimeCraft 中获益，尤其在医疗、金融、能源和交通监控等领域。它是一个基于扩散模型的生成框架，通过学习一组共享的语义原型，将趋势、季节性等可复用的时序模式跨域迁移——面对新领域时，只需少量样本即可适配，无需完整重新训练。更突出的是其可控性：生成过程不再是无条件输出，而是可以通过自然语言提示和领域特征进行引导，按具体场景定制数据。此外，它还会用影响函数检验生成数据对下游任务的实际增益，而非单纯模仿训练数据分布，从而针对预测、分类或异常检测的目标性能进行优化。对于正在评估隐私保护分析、无风险仿真或数据增强所需合成数据管线的团队，这是一份扎实的参考。