从不完整粗粒度到完整细粒度：面向时空数据重建的两阶段框架
机器学习
2024-10-10 v1 人工智能
摘要
随着各种传感设备的快速发展，时空数据正变得越来越重要。然而，由于感知成本和隐私 concerns，收集的数据常常是不完整且粗粒度的，这限制了其在特定任务中的应用。为此，我们提出了一种新的任务，称为时空数据重建，旨在从稀疏且粗粒度的观察中推断出完整且细粒度的数据。为实现这一目标，我们引入了一个基于去噪扩散概率模型（DDPM）的两阶段数据推理框架，称为 DiffRecon。在第一个阶段，我们提出了 Diffusion-C，一种通过 ST-PointFormer 增强的扩散模型，后者是一种强大的编码器，旨在利用稀疏数据点之间的空间相关性。在第二个阶段，我们提出了 Diffusion-F，集成了提出的 T-PatternNet 来捕捉序列数据中的时序模式。这两个阶段共同构成了一个能够从不完整且粗粒度的观察中推断出完整且细粒度数据的端到端框架。我们在多个真实数据集上进行了实验，以证明我们方法的优越性。
关键词
引用
@article{arxiv.2410.05323,
title = {From Incomplete Coarse-Grained to Complete Fine-Grained: A Two-Stage Framework for Spatiotemporal Data Reconstruction},
author = {Ziyu Sun and Haoyang Su and En Wang and Funing Yang and Yongjian Yang and Wenbin Liu},
journal= {arXiv preprint arXiv:2410.05323},
year = {2024}
}
备注
13pages, 10 figures