从代理递归视角分析与改进面向时间序列数据插值的扩散模型
机器学习
2026-02-03 v1
摘要
扩散模型（DMs）在时间序列数据插值（TSDI）方面显示出前景，但其性能在复杂情境下仍不稳定。我们认为这源于两个主要障碍：(1) 非平稳的时间动态，这会偏向推断轨迹，导致插值结果对离群值敏感；(2) 目标不一致，因为插值侧重于精确的逐点恢复，而扩散模型本身是训练用于生成多样化样本。为更好地理解这些问题，我们通过代理算子视角分析了基于扩散模型的 TSDI 过程，发现其内在的 Wasserstein 距离正则化阻碍了模型抵抗非平稳性和耗散正则化的能力，从而放大了多样性以牺牲保真度。基于此洞察，我们提出了一种新框架，称为 SPIRIT（半代理传输正则化的时间序列插值）。具体来说，我们引入熵诱导的 Bregman 发散，以松弛 Wasserstein 距离中的质量保持约束，构建半代理传输（SPT）偏差，并理论证明了 SPT 对非平稳性的鲁棒性。随后，我们去除耗散结构，导出完整的 SPIRIT 工作流程，其中 SPT 作为代理算子。大量实验表明，所提出的 SPIRIT 方法有效且可行。
引用
@article{arxiv.2602.01182,
title = {Analyzing and Improving Diffusion Models for Time-Series Data Imputation: A Proximal Recursion Perspective},
author = {Zhichao Chen and Hao Wang and Fangyikang Wang and Licheng Pan and Zhengnan Li and Yunfei Teng and Haoxuan Li and Zhouchen Lin},
journal= {arXiv preprint arXiv:2602.01182},
year = {2026}
}