Resumo Técnico: L-GTA (Modelagem Generativa Latente para Aumento de Séries Temporais)

Declaração do Problema

A análise de séries temporais em domínios como finanças, previsão climática e varejo depende fortemente da qualidade e quantidade dos dados disponíveis. No entanto, séries temporais do mundo real frequentemente sofrem com dados rotulados limitados, dinâmicas não lineares complexas, ruído e amostragem irregular. Técnicas tradicionais de aumento de dados (ex: jittering, escalonamento, warping) são frequentemente muito simplistas para capturar dependências temporais complexas e são difíceis de aplicar de maneira controlada, podendo introduzir distorções artificiais que se desviam de cenários do mundo real.

Embora modelos generativos recentes (GANs, VAEs, modelos de Difusão) ofereçam sínteses mais realistas, eles enfrentam desafios significativos:

• Instabilidade de Treinamento: GANs frequentemente sofrem de colapso de modo (mode collapse) e otimização instável.
• Custo Computacional: Modelos de Difusão exigem recursos substanciais devido ao processo iterativo de denoising.
• Falta de Controlabilidade: A maioria das abordagens generativas baseia-se em amostragem estocástica, tornando difícil controlar características específicas das amostras geradas ou realizar aumentos direcionados.

Metodologia: L-GTA

Os autores propõem o L-GTA (Latent Generative Temporal Augmentation), um framework generativo projetado para produzir aumentos de séries temporais controláveis e interpretáveis. O modelo integra um Variational Autoencoder (VAE) com uma espinha dorsal de Bi-directional Long Short-Term Memory (Bi-LSTM) e um mecanismo de atenção temporal multi-head self-attention.

Arquitetura

1. Encoder: A série temporal de entrada é processada por um Bi-LSTM para capturar dependências temporais bidirecionais. Uma camada de temporal multi-head self-attention é aplicada a esses estados ocultos para capturar relações de longo alcance. O encoder produz parâmetros gaussianos ($\mu_t, \Sigma_t$) para cada passo de tempo, representando uma distribuição latente.
2. Manipulação do Espaço Latente: Em vez de amostrar novos vetores latentes de uma distribuição a priori, o L-GTA aplica transformações paramétricas diretamente à trajetória latente ($v$). As transformações suportadas incluem jittering, escalonamento, magnitude warping, drift e tendências lineares aditivas. Essas transformações podem ser encadeadas sequencialmente.
3. Decoder: Um decoder Bi-LSTM reconstrói a série temporal a partir da trajetória latente transformada ($v'$). O decoder utiliza conexões de salto (skip connections) aprendidas para propagar as transformações de forma coerente, preservando a estrutura estatística dos dados originais.

Regularização de Equivariância

Uma inovação central do L-GTA é a introdução de um objetivo de equivariância. O modelo impõe consistência entre as transformações aplicadas no espaço latente e seus efeitos no espaço de observação (dados). Formalmente, o modelo minimiza a diferença entre decodificar um vetor latente transformado e transformar uma série decodificada:
$$D(T(v)) \approx T(D(v))$$
Isso é alcançado via um termo de perda de equivariância ($L_{equiv}$) adicionado às perdas padrão de reconstrução do VAE e de divergência KL. Essa restrição garante que o processo de aumento seja previsível e que o decoder mapeie perturbações latentes para mudanças consistentes na série reconstruída.

Principais Contribuições

1. Modelo Generativo Controlável: A proposta do L-GTA, um modelo baseado em CVAE que permite o aumento controlado através da aplicação de transformações paramétricas diretamente em trajetórias latentes, permitindo variações previsíveis e interpretáveis.
2. Objetivo de Equivariância: A introdução do primeiro objetivo de regularização de equivariência especificamente para aumento controlável de séries temporais, impondo consistência entre as transformações nos espaços latente e de observação para melhorar a confiabilidade.
3. Avaliação Abrangente: Um estudo empírico extenso comparando o L-GTA contra métodos de transformação direta e modelos generativos de Estado da Arte (SOTA) (TimeGAN, TimeVAE, Diffusion-TS) em múltiplos conjuntos de dados do mundo real.

Resultados Experimentais

O modelo foi avaliado em cinco conjuntos de dados (Tourism, Wiki2, Labour, M3) usando métricas de previsão downstream, fidelidade de distribuição e controlabilidade.

• Previsão Downstream: O L-GTA superou consistentemente os métodos concorrentes. Em tarefas de previsão downstream, ele reduziu o Mean Absolute Scaled Error (MASE) em aproximadamente 26% em comparação com o benchmark generativo mais forte (TimeVAE) e 27% em relação ao uso dos dados originais sem aumento. A melhoria foi ainda mais significativa (33–50%) em comparação com transformações diretas e métodos baseados em difusão/GAN.
• Controlabilidade e Fidelidade: O L-GTA demonstrou alta controlabilidade, com a força da transformação latente exibindo uma forte correlação monotônica com o deslocamento de distribuição resultante. A análise de impressão digital residual confirmou que o modelo preserva as assinaturas estruturais dos aumentos pretendidos (ex: autocorrelação para transformações suaves, dependência de amplitude para escalonamento).
• Qualidade de Síntese: O L-GTA alcançou o melhor equilíbrio entre fidelidade e diversidade, atingindo similaridade estrutural quase perfeita (Cosine similarity $\approx$ 1.00) e as menores distâncias de distribuição (Wasserstein, Fréchet, MMD), mantendo uma alta cobertura do manifold dos dados reais.
• Eficiência Computacional: O L-GTA é significativamente mais eficiente que os baselines generativos SOTA. É aproximadamente 8x mais rápido que o TimeVAE, 1.000x mais rápido que o Diffusion-TS e 5.000x mais rápido que o TimeGAN.

Estudos de Ablação

A análise de componentes revelou que remover a regularização de equivariância ou simplificar o encoder temporal degradou substancialmente o desempenho, levando a erros de reconstrução mais altos (até 166% em relação ao baseline) e controlabilidade mais fraca. O condicionamento dinâmico melhorou a controlabilidade, mas aumentou o erro de reconstrução, sugerindo que seu principal benefício reside no alinhamento com covariáveis variantes no tempo, em vez da fidelidade bruta de reconstrução.

Significância e Alegações

O artigo afirma que o L-GTA fornece uma abordagem substancialmente mais eficaz para o aumento de séries temporais do que os métodos generativos ou diretos existentes. Ao operar no espaço latente com uma restrição de equivariância, o L-GTA consegue unir com sucesso o realismo dos modelos generativos e a controlabilidade das técnicas de transformação tradicionais. Os autores asseguram que o modelo produz dados sintéticos que são tanto realistas quanto diversos, melhorando significativamente o desempenho preditivo downstream, permanecendo computacionalmente eficiente. O trabalho é apresentado como o primeiro a introduzir a regularização de equivariência para este propósito específico, oferecendo uma solução robusta para cenários onde dados de séries temporais rotulados são escassos.