Jul, 2021

CSDI: 条件得分扩散模型用于概率时间序列插补

PDF
TL;DR本研究提出了基于条件分数扩散模型的时间序列插值方法，相较于现有概率插值方法以及现有确定性插值方法，该方法在医疗和环境数据方面表现优异，可以减少 5-20% 的误差，并可在时间序列内插值和概率预测中应用，具有广泛的应用前景。
time series imputationscore-based diffusion modelsconditional diffusion modelhealthcare dataenvironmental data
发现论文，激发创造
  • 深度集合遇见分位回归：面向时间序列的不确定性感知填充

    我们提出了一种非生成时间序列插补方法，该方法通过深度集成与分位数回归相结合，在计算上更高效，并能够准确插补时间序列数据并估计不确定性。

    Dec, 2023

  • 表格数据中的缺失值插值扩散模型

    本文提出了一种用于 Tabular 数据的基于条件分数的扩散模型方法（TabCSDI），并研究了热点问题中的三种处理技术。实验结果表明与现有方法相比，TabCSDI 是有效的，同时也强调了分类嵌入技术的重要性。

    Oct, 2022

  • 基于分数扩散模型的条件图像生成

    本文研究使用基于得分的扩散模型进行深层生成建模的方法，系统比较和理论分析不同方法学习条件概率分布的效果，并证明得出条件得分最成功的估计器的理论依据。同时，介绍了多速度扩散框架，提出了一个新的条件分数估计器，与之前的最先进方法相当。伴随着本文的理论和实验研究是一个开放源代码库 MSDiff，可用于应用和进一步研究多速度扩散模型。

    Nov, 2021

  • 基于分数的扩散模型用于加速 MRI

    该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

    Oct, 2021

  • SASDIM：一种自适应噪声缩放扩散模型用于空间时间序列填充

    提出了一种自适应噪声缩放扩散模型（SaSDim）来更有效地进行空间时序插补，利用新的损失函数对噪声进行缩放，提出跨时空全局卷积模块以更有效地捕捉动态时空依赖关系。通过与当前最先进的基线进行比较，在三个真实世界数据集上广泛进行的实验证实了 SaSDim 的有效性。

    Sep, 2023

  • 时序解缠对比扩散模型的时空填补

    利用趋势和季节信息的条件特征和对比学习，C$^2$TSD 能更好地生成稳定和泛化性能强的模型，在三个真实数据集上的广泛实验显示其优越性能。

    Feb, 2024

  • 基于扩散的结构化状态空间模型的时间序列插补和预测

    SSSD 是一种基于扩散模型和状态空间模型的缺失值插补模型，适合用于时间序列数据，它在各种数据集上的表现均超过了目前已有的概率插补方法。

    Aug, 2022

  • Score-CDM: 分数加权卷积扩散模型用于多元时间序列补全

    使用得分加权的卷积扩散模型 (Score-CDM)，结合了得分加权的卷积模块 (SCM) 和自适应接收模块 (ARM)，以适应性地均衡局部和全局时间特征进行多变量时间序列 (MTS) 数据的不完全恢复，通过在时域和频域中捕捉全局和局部时间特征，通过广泛的评估验证了提出的 Score-CDM 的有效性。

    May, 2024

  • 基于分数的扩散模型作为反向成像的原则先验

    本文提出了将基于分数的扩散模型转化为原则性先验（`` 基于分数的先验 '）来分析给定测量的后验图像的方法。实验结果表明，基于分数的先验使得数据驱动图像先验的归纳推理变得更加精细。

    Apr, 2023

  • ImDiffusion: 多元时间序列异常检测用填充扩散模型

    该研究提出了一种使用时间序列插补和扩散模型相结合的新型异常检测框架 ImDiffusion，用于准确和可靠地检测多元时间序列数据中的异常数据，该框架在基准数据集上的广泛实验中表现出较高的检测准确性和时效性，是一种开创性的方法。

    Jul, 2023