Aug, 2024

MTSCI：一种条件扩散模型用于多变量时间序列一致性填充

HTML
PDF
TL;DR本研究解决了多变量时间序列中缺失值填充的一致性问题，提出了一种新颖的条件扩散模型MTSCI，该模型采用对比互补掩码来生成双视图并确保观测值和填充值之间的一致性。实验结果表明，MTSCI在各种缺失场景下的多变量时间序列填充任务中表现出优越的性能，具有重要的实际应用价值。
发现论文，激发创造
  • CSDI: 条件得分扩散模型用于概率时间序列插补

    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。

    Jul, 2021

  • 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

  • 时间序列健康数据深度填补缺失值：综述与基准评估

    本文以五个时间序列健康数据集和六个实验条件为基准，展开数据中心的方法来评估最先进的深度插补方法，发现没有单一的插补方法在所有五个数据集上表现最佳，插补表现取决于数据类型，变量统计，缺失率和类型，这表明在选择多变量时间序列数据的缺失值插补方法时要考虑数据的特定情况。

    Feb, 2023

  • 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

  • 使用原型的跨列信息进行不规则采样时间序列的插补

    PRIME是一个整合了序列内和序列间信息的原型循环插补模型，用于不规则采样的时间序列中的缺失值插补。实验证明，PRIME相对于现有模型在均方误差上提升了最高达26%。

    Jan, 2024

  • 多元时间序列插补的深度学习：综述

    通过对最近提出的深度学习插补方法进行综合调查，本文首先提出了一种分类法，然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时，我们还进行了实证实验，研究了不同方法并比较了它们对下游任务的改进效果。最后，指出了未来研究多变量时间序列插补的开放问题。

    Feb, 2024

  • 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

  • NuwaTS: 修复每一个不完整时间序列

    利用NuwaTS框架将预训练语言模型（PLM）重新用于普通时间序列插补任务，通过设定特定嵌入来捕捉不完整时间序列的信息，提出对比学习方法以增强模型对不同遗漏模式的适应性，训练得到一对多的插补模型，并证明其在各种数据集和遗漏模式上胜过现有的特定领域模型。

    May, 2024

  • 基于潜在空间评分的扩散模型用于多元时间序列的概率插补

    本研究解决了多元时间序列插补中未考虑潜在低维分布的问题，并提出了一种新的潜在空间评分扩散模型（LSSDM）。该模型通过无监督学习重建缺失数据的粗略值，并利用条件扩散模型生成高精度的插补值，从而在插补性能和不确定性分析方面优于现有方法。

    Sep, 2024

  • 用于多变量时间序列缺失值插补的切换稀疏网络挖掘

    该研究针对多变量时间序列数据中缺失值插补的问题，提出了一种名为MissNet的方法，利用状态空间模型实现时间依赖性和切换稀疏网络的互相关系，以增强插补的准确性。研究表明，MissNet在插补效果上显著超越了现有先进算法，并且提供了可视化的解释结果。

    Sep, 2024