WaveletDiff：用于时间序列生成的多层级小波扩散

基于摘要分析。该研究面向高质量时间序列数据不足的问题，提出 WaveletDiff，直接在小波系数上训练扩散模型，以建模真实时间序列的多尺度结构；主要研究对象是通用时间序列生成，而非 BCI 解码。 机制上，WaveletDiff 为各小波分解层级配置专用 transformer，通过跨层级注意力与自适应门控选择性交换不同时间和频率尺度的信息，并引入基于 Parseval 定理的层级能量约束，以保持扩散过程中的时频性质。摘要未给出小波基、分解层数、约束的具体损失形式或采样流程，这些实现细节尚未验证。 作者报告，在覆盖能源、金融与神经科学领域的六个真实数据集上，WaveletDiff 在多数指标上优于 FourierDiffusion、Diffusion-TS 和 SigDiffusions；相对 FourierDiffusion 的优势最小，但 discriminative 与 Context-FID 分数仍约低至其三分之一。摘要未明确这一幅度对应的数据集及汇总方式，不能视为每个数据集上的统一效果。与基于 VAE/transformer 的 MSDformer 相比，作者报告整体结果大多相当，且在多数数据集上参数更少、训练时间更短。作者特别指出，fMRI 数据上 MSDformer 明显更优，而 EEG 数据上 WaveletDiff 明显更优，并将差异解释为小波系数在生成任务中的性质不同于分析或分解任务。具体数据集名称、被试构成、划分、数值结果、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核查。 平台推测（待验证）：小波域多尺度建模可能适合 EEG 数据增强，但生成指标改善不等于 BCI 解码收益。可复用模块包括小波域扩散、跨层级交互和能量约束；需核对并可能改造通道间依赖建模、任务条件输入及生成片段与标签的对应方式。低信噪比、跨被试差异、通道布局变化与小数据训练可能使模型复制伪迹或偏移任务相关信息。一个可检验的小实验是固定 EEG 数据与 Cross-subject 划分，仅用训练被试训练生成器，对比无增强、WaveletDiff 增强及一种生成基线，在未见被试上以同一解码器评估 Accuracy，并分别核查生成质量与解码收益。除本材料外，相关 EEG 生成工作尚未检索确认。