基于边界增强和长程依赖扩散模型的时间序列数据插补
机器学习
2025-01-14 v1 社会与信息网络
摘要
数据插补对于解决医疗、交通和经济等多个领域中多变量时间序列数据缺失值带来的挑战至关重要，并已引起广泛关注。在各种方法中，基于扩散模型的方法显示出显著的性能提升。然而，现有方法常常导致缺失区域与已知区域之间的边界不协调，并忽略缺失数据估计中的长程依赖，导致次优结果。为解决这些问题，我们提出了一种基于扩散的时间序列数据插补（DSDI）框架。我们开发了一种权重递减注入策略，将缺失点的预测值以递减权重融入反向扩散过程，以缓解边界不一致性。此外，我们引入了一种多尺度基于S4的U-Net，通过多分辨率集成结合不同层次的层次信息来捕获长程依赖。实验结果表明，我们的模型优于现有的插补方法。
引用
@article{arxiv.2501.06585,
title = {Boundary-enhanced time series data imputation with long-term dependency diffusion models},
author = {Chunjing Xiao and Xue Jiang and Xianghe Du and Wei Yang and Wei Lu and Xiaomin Wang and Kevin Chetty},
journal= {arXiv preprint arXiv:2501.06585},
year = {2025}
}
备注
Accepted by Knowledge-Based Systems