ملخص تقني: DIFFDIFF – تفريق مسار الانتشار نحو المكونات غير المؤكدة للتنبؤ بالسلاسل الزمنية

1. بيان المشكلة

يهدف التنبؤ الاحتمالي للسلاسل الزمنية إلى نمذجة التوزيع الشرطي للقيم المستقبلية بناءً على نافذة ملاحظة تاريخية. وبينما برزت نماذج الانتشار لتقليل الضجيج (DDPMs) كإطار عمل قوي لهذه المهمة من خلال نمذجة التوزيعات التنبؤية المعقدة دون افتراضات معلمية مقيدة، إلا أنها تواجه عدم تماثل جوهري في بيانات السلاسل الزمنية تفشل عمليات الانتشار القياسية في معالجته.

في التنبؤ بالسلاسل الزمنية، ليس المستقبل لوحة بيضاء؛ بل هو استمرار للتاريخ الملحوظ. وبناءً على ذلك، فإن عدم اليقين التنبؤي ليس موزعاً بشكل موحد. فالمكونات المرتبطة بقوة بالتاريخ (مثل الاتجاهات السلسة، والأنماط الموسمية) تحمل قدراً ضئيلاً من عدم اليقين المتبقي، بينما تتركز المكونات التي لا يحددها التاريخ بشكل كافٍ (مثل التقلبات السريعة، أو تغيرات النظم/Regime shifts) في عدم اليقين المتبقي. غالباً ما تحاول نماذج التنبؤ القائمة على الانتشار التعامل مع هذا الأمر عن طريق فصل الهدف إلى مكونات حتمية وغير مؤكدة قبل عملية الانتشار باستخدام قواعد خارجية (مثل تجميد متنبئ نقطي للاتجاهات). ومع ذلك، فإن هذا النهج يحصر عدم التماثل خارج مسار الانتشار، مما يترك مسار الفساد (corruption trajectory) "أعمى" تجاه الأجزاء من الهدف التي يرسخها التاريخ بالفعل. ونتيجة لذلك، تُهدر قدرة نموذج الانتشار في إعادة بناء المحتوى المرتبط بالتاريخ والذي يمكن توفيره بشكل حتمي، بدلاً من التركيز على المكونات ذات عدم اليقين العالي حيث تبرز الحاجة الفعلية للجهد التوليدي.

2. المنهجية: DIFFDIFF

يقترح المؤلفون إطار عمل DIFFDIFF (الانتشار التفريقي)، وهو إطار عمل يدمج عدم تماثل القدرة على التنبؤ مباشرة داخل مسار الانتشار نفسه. فبدلاً من الفصل الخارجي، يجعل DIFFDIFF عامل الانتشار الأمامي يعتمد على الخطوة، حيث ينقل الحالة الوسيطة المشوبة بالضجيج تدريجياً من قيم الهدف نحو هيكل الفرق من الدرجة الثانية.

2.1 العملية الأمامية المعتمدة على الخطوة

يكمن الابتكار الجوهري في العملية الأمامية $q(x_t | x_0)$. على عكس الانتشار القياسي الذي يضيف ضجيجاً غاوسياً متماثلاً المناحي، يعرّف DIFFDIFF هامشاً أمامياً معمماً:
$$q(x_t | x_0) = \mathcal{N}(\sqrt{\bar{\alpha}_t} A_t x_0, (1 - \bar{\alpha}_t)I)$$
حيث $A_t$ هي مصفوفة انتقال تعتمد على الخطوة.

• التفريق التدريجي: يتم تعريف $A_t$ كـ $(1 - \lambda_t)I + \lambda_t D^2$، حيث $D^2$ هو عامل تفريق من الدرجة الثانية، وتزد s $\lambda_t$ بشكل رتيب مع خطوة الانتشار $t$.
• الأثر: تظل الخطوات المبكرة ($t \approx 0$) قريبة من الهدف الأصلي $x_0$. ومع تقدم الانتشار، تعمل $A_t$ بشكل متزايد على كبح المكونات منخفضة التردد (المستويات والاتجاهات) التي يسهل ترسيخها بواسطة التاريخ، مع الحفاظ على المكونات عالية التردد (التقلبات والانحناءات) التي تحمل عدم اليقين المتبقي.
• النافذة الممتدة: لضمان الاستمرارية عبر الحدود، يتم تعريف الهدف $x_0$ كنافذة ممتدة $[x_{label}, x_{fut}]$، تتضمن تداخلاً قصيراً من التاريخ الملحوظ. وهذا يسمح لـ $D^2$ بترميز الانحناء عند الحد الفاصل بين التاريخ والمستقبل.

2.2 منقص الضجيج الشرطي المتكيف مع المرحلة

بما أن العملية الأمامية تقمع محتوى مجال القيم في الخطوات اللاحقة، فإن العملية العكسية تتطلب مساراً شرطياً يمكنه إعادة تزويد هذه المعلومات. يستخدم DIFFDIFF منقص ضجيج شرطي متكيف مع المرحلة يدمج رؤيتين للتاريخ:

1. مجال القيمة: يشفر التاريخ الخام $x_{hist}$ (محافظاً على المستوى، والمقياس، والاتجاه).
2. مجال الفرق: يشفر الفروق من الدرجة الأولى $\Delta x_{hist}$ (لالتقاط السرعة المحلية والتقلبات قصيرة المدى).

يتم دمج هذين التمثيلين عبر بوابة تعتمد على الخطوة الزمنية $g$:
$$c = h_{val} + g \odot h_{diff}$$
حيث $g$ هي دالة سيجمويد (sigmoid) مشروطة بخطوة الانتشار الزمنية. تضبط هذه البوابة ديناميكياً مساهمة فرع التفريق: حيث تظل مفتوحة عندما تحتفظ الحالة المشوبة بالضجيج بهيكل تفريقي أكبر (الخطوات المتأخرة)، وتقمع فرع التفريق عندما يكفي محتوى مجال القيمة وحده (الخطوات المبكرة).

2.3 التدريب وأخذ العينات

• التدريب: يقلل النموذج من خسارة إعادة البناء الموزونة حسب الموقع في مجال القيمة ($x_0$-prediction)، إلى جانب خسائر مساعدة للتنبؤ بإحصاءات تطبيع الحالة (المتوسط والتباين) لاستعادة المقاييس المطلقة.
• أخذ العينات: تقترب التوزيعات النهائية من توزيع غاوسي قياسي $\mathcal{N}(0, I)$، مما يحافظ على التوافق مع أخذ العينات المتسارع الحالي (مثل DDIM). تستخدم العملية العكسية المصفوفات المعتمدة على الخطوة $A_t$ لإعادة التنبؤات إلى تمثيل الإشارة الصحيح في كل خطوة.

3. المساهمات الرئيسية

1. تذويت عدم التماثل (Internalizing Asymmetry): يعد DIFFDIFF أول إطار عمل انتشار يدمج عدم التماثل بين الحتمية وعدم اليقين مباشرة في مسار الانتشر عبر عامل أمامي يعتمد على الخطوة، بدلاً من الاعتماد على التفكيك الخارجي المسبق.
2. الفساد الانتقائي للتردد: من خلال استخدام عامل تفريق من الدرجة الثانية في العملية الأمامية، تخلق الطريقة ملفاً غير موحد لنسبة الإشارة إلى الضجيج (SNR)؛ فهي تخمد المكونات منخفضة التردد (المرتبطة بالتاريخ) بشكل أسرع من المكونات عالية التردد (غير المؤكدة)، مما يعيد تخصيص القدرة التوليدية للنموذج نحو الأجزاء الأكثر عدم يقيناً.
3. الاشتراط المتكيف مع المرحلة: تسمح آلية البوابة المتكيفة مع الخطوة الزمنية لمنقص الضجيج بموازنة محتوى التاريخ في مجال القيمة ومجال الفرق ديناميكياً، مما يعوض عن التثبيط الناتج عن العامل الأمامي.
4. الاتساق النظري: يثبت المؤلفون أنه على الرغم من الطبيعة غير الماركوفية للعملية الأمامية المعتمدة على الخطوة، فإن العملية العكسية تحافظ على الاتساق الهامشي مع المسار الأمامي، مما يضمن أخذ عينات صالح.

4. النتائج التجريبية

قام المؤلفون بتقييم DIFFDIFF على سبعة معايير متنوعة للسلاسل الزمنية (الكهرباء، ETTm2، سعر الصرف، حركة المرور، الطاقة الشمسية، الطقس، الرياح) عبر أربعة آفاق تنبؤية ($H \in \{96, 192, 336, 720\}$).

• الأداء: تفوق DIFFDIFF على ستة من النماذج المرجعية المتطورة في مجال الانتدار (بما في ذلك CSDI، وTimeDiff، وTMDM، وNsDiff، وMA-TSD، وD3U) في 53 من أصل 84 حالة. وحقق أفضل درجة في مقياس الـ CRPS في غالبية الحالات.
• دراسات الاستبعاد (Ablation Studies):
  • تم تحديد العملية الأمامية (التفريق) كمصدر رئيسي للتحسن؛ حيث كانت النسخ التي تفتقر إليها تؤدي بشكل أسوأ بكثير.
  • كانت البوابة المتكيفة مع المرحلة حاسمة؛ حيث أدى إزالتها أو استبدالها بآليات دمج ثابتة إلى تدهور الأداء، خاصة في مجموعات البيانات ذات الدرجات المتفاوتة من العشوائية.
  • أثبت التفريق من الدرجة الثانية ($D^2$) أنه أكثر قوة من العوامل من الدرجة الأولى ($D^1$) أو الثالثة ($D^3$)، حيث حقق توازناً بين التقاط الانحناء وتجنب تضخيم أخطاء الاستقراء.
• التحليل: أكد التحليل الطيفي أن العملية الأمامية تنجح في نقل طاقة الإشارة المستبقاة نحو المكونات عالية التردد مع تقدم الانتشار. علاوة على ذلك، أظهرت ديناميكيات البوابة قدرتها على التكيف مع خصائص مجموعة البيانات، حيث أبقت فرع التفريق مفتوحاً للسلاسل الدورية (الكهرباء، حركة المرونة) وقمعته للسلاسل شديدة العشوائية (الطاقة الشمسية، الرياح).

5. الأهمية والادعاءات

يزعم البحث أن DIFFDIFF يثبت أن التنبؤ الاحتمالي للسلاسل الزمنية يستفيد بشكل كبير من ترميز عدم تماثل القدرة على التنبؤ مباشرة في مسار الانتشار. ومن خلال إعادة تشكيل مسار الفساد لتقليل المحتوى المرتبط بالتاريخ تدريجياً، يتجنب النموذج إهدار القدرة التوليدية في إعادة بناء ما هو معروف بالفعل. بدلاً من ذلك، يركز ميزته التمثيلية على المكونات "الصعبة" — الديناميكيات التي لا يحددها التاريخ بشكل كافٍ — بينما يعتمد على مسار الاشتراط لتزويد المحتوى المرتبط بالتاريخ.

يؤكد المؤلفون أن هذا النهج يسمح لعملية انتشار واحدة نهائية (end-to-end) بأن تكون "واعية" بهيكل الهدف، مما يحقق معايرة وحدة (calibration) ووضوحاً (sharpness) فائقين (درجة CRPS أقل) دون الحاجة إلى قواعد تفكيك خارجية أو خطوط إنتاج معقدة متعددة المراحل. كما يحافظ المنهج على التوافق مع تقنيات أخذ عينات الانتشار القياسية، مما يجعله ترقية عملية وفعالة لأطر العمل القائمة على الانتشار.