Sep, 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

HTML
PDF
TL;DR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。
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

  • 用图神经网络填补G_ap_s：多元时间序列插值

    本研究使用图神经网络架构GRIN来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过20%的平均绝对误差改善。

    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

  • BayOTIDE: 贝叶斯在线多元时间序列插补与功能分解

    我们提出了一种基于贝叶斯在线多元时间序列插补的方法，该方法可以处理具有任意时间戳的数据，为下游应用提供不确定性量化和可解释性。

    Aug, 2023

  • 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

  • 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

  • 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

  • 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

  • MTSCI：一种条件扩散模型用于多变量时间序列一致性填充

    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。

    Aug, 2024