针对时间序列插值的 Lomb-Scargle 条件扩散模型
机器学习
2025-06-23 v1 人工智能
摘要
具有缺失或不规则采样的数据的时间序列是机器学习中持久存在的挑战。许多方法 operate 在频域，依赖快速傅里叶变换 (FFT) ，该变换假设均匀采样，因此需要先进行插值以防扭曲谱图。为此，我们引入一个可微的 Lomb-Scargle 层，实现对不规则采样数据的可靠功率谱计算。我们将该层集成到一种新型基于得分的扩散模型 (LSCD) 中，用于以整个信号谱为条件进行时间序列插值。在合成数据和真实数据基准上的实验表明，我们的方法在恢复缺失数据方面比纯时域基线更准确，同时能够产生一致的频率估计。关键的是，我们的方法可以轻松集成到学习框架中，促进更广泛地在涉及不完整或不规则数据的机器学习方法中采用谱域指导。
关键词
引用
@article{arxiv.2506.17039,
title = {LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation},
author = {Elizabeth Fons and Alejandro Sztrajman and Yousef El-Laham and Luciana Ferrer and Svitlana Vyetrenko and Manuela Veloso},
journal= {arXiv preprint arXiv:2506.17039},
year = {2025}
}
备注
In ICML 2025