利用生成式时间序列填补的先验
机器学习
2026-01-01 v1
摘要
时间序列填补，即填补时间记录中的缺失值，在电力、金融和天气建模中有诸多应用。先前的方法引入了生成式模型，如扩散概率模型和 Schrödinger 桥模型，以从高斯噪声或直接从线性插值结果中条件生成缺失值。然而，由于其先验对真实目标提供的信息不足，其生成过程不可避免地面临增加的负担和有限的填补精度。在本工作中，我们提出了 Bridge-TS，为生成式时间序列填补构建数据到数据的生成过程，并通过两种新颖设计来利用先验。首先，我们提出专家先验，利用预训练的基于 Transformer 的模块作为专家，用确定性估计填补缺失值，然后将结果作为真实目标的先验。其次，我们探索组合先验，利用多个预训练模型提供不同的估计结果，然后在数据到数据的生成过程中将它们组合，实现组合先验到目标的填补过程。在 ETT、Exchange 和 Weather 等多个基准数据集上进行的实验表明，Bridge-TS 在均方误差和平均绝对误差方面达到了新的填补精度记录，证明了改进先验对生成式时间序列填补的优越性。
引用
@article{arxiv.2512.23832,
title = {Exploiting the Prior of Generative Time Series Imputation},
author = {YuYang Miao and Chang Li and Zehua Chen},
journal= {arXiv preprint arXiv:2512.23832},
year = {2026}
}