条件拉格朗日 Wasserstein 流用于时间序列插值

时间序列插值对诸多实际应用至关重要。为克服扩散模型插值方法在推理过程中收敛速度慢等局限性，本文提出了一种新颖的时间序列插值方法，称为条件拉格朗日 Wasserstein 流（Conditional Lagrangian Wasserstein Flow, CLWF）。遵循拉格朗日力学中最小作用原理，我们通过最小化相应动能来学习速度。此外，为增强模型性能，我们使用基于时间依赖去噪自编码器估计特定任务势函数的梯度，并将其整合到基本估计器中以降低抽样方差。最终，所提出的方法在与其他最先进插值方法进行比较后表现出竞争性的性能。