通过RFAMoE和MDFF实现时间序列完成的新方法
机器学习
2026-01-13 v4 人工智能
摘要
最近的研究表明，对时间序列信号进行扩散模型重构在很大程度上有着巨大的潜力。然而，这些方法在医学时间序列领域仍 largely 未被探索。生理时间序列信号的独特特征——包括多变量、高时变性、高度噪声和易受干扰——使得基于深度学习的方法在插值等任务中仍具有挑战性。因此，我们提出了一种基于扩分子框架的新型混合专家（Mixture of Experts, MoE）噪声估计器。具体而言，设计了可接受领域自适应MoE（Receptive Field Adaptive MoE, RFAMoE）模块，以使每个通道能够在扩散过程中自适应选择所需的接受领域。此外，近期文献发现，在生成生理信号时，执行多次推断并对重构信号进行平均可有效降低重构误差，但会以显著的计算和延迟开销为代价。我们设计了融合MoE模块，创新性地利用MoE模块的性质，能够并行生成K个噪声信号，通过路由机制进行融合，并在单次推断步骤中完成信号重构。该设计不仅在性能上优于先前方法，而且消除了与多次推断过程相关的大量计算成本和延迟。广泛的结果表明，我们提出的框架在不同任务和数据集上 consistently 优于基于扩散的SOTA方法。
引用
@article{arxiv.2512.07873,
title = {Advancing time series completion via RFAMoE and MDFF},
author = {Ci Zhang and Huayu Li and Changdi Yang and Jiangnan Xia and Yanzhi Wang and Xiaolong Ma and Jin Lu and Ao Li and Geng Yuan},
journal= {arXiv preprint arXiv:2512.07873},
year = {2026}
}