MoTM：基于连续建模的时间序列填补基础模型
光学
2025-07-18 v1 应用物理
摘要
近年来，针对时间序列的 foundation model研究呈上升趋势，尤其关注预测任务。然而，针对缺失值外域填补的关键任务仍鲜有探索。我们提出了一项填补这一空白的首次尝试，通过利用隐式神经表征（INRs）。INRs将时间序列建模为连续函数，自然处理各种缺失数据情景和采样率。虽然它们在特定分布内显示出强大的性能，但在分布迁移下效果不佳。为此，我们引入MoTM（Mixture of Timeflow Models），作为时间序列填补的 foundation model的重要一步。基于新时间序列是以前看到的模式组合的思想，MoTM将INRs的基数（每个在不同时间序列家族上独立训练的模型）与一个适用于推断时所观察上下文的 ridge 回归器相结合。我们在多样化的填补情景（例如块状缺失和点状缺失、可变采样率）中展示了其在域内和域外的鲁棒 generalization，为可适应的 foundation 填补模型之路。
引用
@article{arxiv.2507.13206,
title = {Rapid and precise distance measurement using balanced cross-correlation of a single frequency-modulated electro-optic comb},
author = {Zijian Wang and Zhuoren Wan and Jingwei Luo and Yuan Chen and Mei Yang and Qi Wen and Xiuxiu Zhang and Zhaoyang Wen and Shimei Chen and Ming Yan and Heping Zeng},
journal= {arXiv preprint arXiv:2507.13206},
year = {2025}
}
备注
16 pages, 5 figures