CSDI：基于条件得分的扩散模型用于概率时间序列插补
机器学习
2021-10-28 v2 机器学习
摘要
时间序列中缺失值的插补在医疗和金融领域有许多应用。虽然自回归模型是时间序列插补的自然候选，但基于得分的扩散模型最近在许多任务（如图像生成和音频合成）中表现优于包括自回归模型在内的现有同类模型，并有望用于时间序列插补。本文提出用于插补的条件得分扩散模型（CSDI），一种利用基于观测数据条件的得分扩散模型的新型时间序列插补方法。与现有基于得分的方法不同，该条件扩散模型专为插补而显式训练，并能利用观测值之间的相关性。在医疗和环境数据上，CSDI在常用性能指标上比现有概率插补方法提升40-65%。此外，CSDI的确定性插补与最先进的确定性插补方法相比误差降低5-20%。进一步，CSDI也可应用于时间序列插值 and 概率预测，并与现有基线具有竞争力。代码见 https://github.com/ermongroup/CSDI。
引用
@article{arxiv.2107.03502,
title = {CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation},
author = {Yusuke Tashiro and Jiaming Song and Yang Song and Stefano Ermon},
journal= {arXiv preprint arXiv:2107.03502},
year = {2021}
}
备注
NeurIPS 2021