CFMI：用于缺失数据插值的流匹配
机器学习
2025-06-12 v1 机器学习
摘要
我们提出条件流匹配插值 (CFMI)，一种新的通用方法用于插值缺失数据。该方法结合了连续正规化流、流匹配和共享条件建模，以处理传统多重插值的不可解性。我们对比了CFMI与九种经典和最新插值方法，在24个小到中等维度的表格数据集上，结果显示CFMI在广泛的指标上与传统方法和现代技术相当或更好。将方法应用于时间序列数据的零样本插值，我们发现其准确率相当于相关扩散方法，但在计算效率方面更具优势。总体而言，CFMI在低维数据上至少与传统方法相当，而在高维设置下仍具可扩展性，匹配或超越其他深度学习方法的性能，使其成为广泛数据类型和维度的首选插值方法。
引用
@article{arxiv.2506.09258,
title = {CFMI: Flow Matching for Missing Data Imputation},
author = {Vaidotas Simkus and Michael U. Gutmann},
journal= {arXiv preprint arXiv:2506.09258},
year = {2025}
}