FADTI: 基于傅里叶和注意力驱动的多变量时间序列扩散插值方法
机器学习
2025-12-18 v1 人工智能
摘要
多变量时间序列插值是医疗保健、交通预测和生物学建模等应用中的基础问题, 由于传感器故障和不规则采样, 导致缺失值普遍存在。然而, 现有的基于Transformer和扩散模型缺乏显式归纳偏置和频率感知, 在结构化缺失模式和分布迁移下难以泛化。我们提出FADTI, 一个通过可学习的傅里叶偏置投影(FBP)模块注入频率感知特征调制的扩散框架, 并通过自注意力和门控卷积进行时序建模。FBP支持多种谱基, 实现对平稳和非平稳模式的自适应编码。该设计将频率域归纳偏置注入生成性插值过程中。实验在多个基准数据集上进行, 包括新引入的生物时间序列数据集, 显示FADTI在各种缺失率下均优于最先进的方法, 尤其在高缺失率情况下的表现尤为突出。代码已公开于https://anonymous.4open.science/r/TimeSeriesImputation-52BF
引用
@article{arxiv.2512.15116,
title = {FADTI: Fourier and Attention Driven Diffusion for Multivariate Time Series Imputation},
author = {Runze Li and Hanchen Wang and Wenjie Zhang and Binghao Li and Yu Zhang and Xuemin Lin and Ying Zhang},
journal= {arXiv preprint arXiv:2512.15116},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication. 15 pages, 8 figures