CINDI: 基于条件归一化流的条件插值与噪声数据完整性
人工智能
2026-03-13 v1 机器学习
摘要
现实中的多变量时间序列，尤其是电力网等关键基础设施，常常受到噪声和异常值的污染，导致下游任务性能下降。标准的数据清洗方法往往采用松散的策略，分别用一个模型检测错误，用另一个模型进行插值。这种方法可能无法捕捉数据分布的完整联合分布，还忽略了预测不确定性。本文引入条件插值与噪声数据完整性（Conditional Imputation and Noisy Data Integrity, CINDI），这是一种面向复杂时间序列数据完整性恢复的无监督概率框架。与碎片化方法不同，CINDI 将异常检测和插值统一为基于条件归一化流构建的单一端到端系统。通过建模数据的精确条件似然性，框架识别低概率区间并迭代抽样统计一致的替换值。这使CINDI能够在保持系统底层物理和统计属性的前提下，高效复用已学习的知识。我们使用挪威电力分配运营商的真实网损数据进行评估，虽然该方法论证设计可推广至任何多变量时间序列领域。结果表明，CINDI 在与竞争基线相比具有稳健的性能，为维护噪声环境下的可靠性提供了可扩展的解决方案。
引用
@article{arxiv.2603.11745,
title = {CINDI: Conditional Imputation and Noisy Data Integrity with Flows in Power Grid Data},
author = {David Baumgartner and Helge Langseth and Heri Ramampiaro},
journal= {arXiv preprint arXiv:2603.11745},
year = {2026}
}