Score-CDM：用于多变量时间序列插补的分数加权卷积扩散模型
机器学习
2024-05-24 v1
摘要
在真实场景中，多变量时间序列（MTS）数据通常是不完整的，对不完整的 MTS 进行插补对于促进各种时间序列挖掘任务具有重要的实际意义。近期，基于扩散模型的 MTS 插补方法通过利用 CNN 或注意力机制进行时间特征学习，取得了可喜的成果。然而，仅通过简单结合 CNN 和注意力机制，很难自适应地权衡局部和全局时间特征的不同影响。为了解决这个问题，我们提出了一种分数加权卷积扩散模型（简称 Score-CDM），其主干由一个分数加权卷积模块（SCM）和一个自适应感受野模块（ARM）组成。SCM 采用分数图在时域中捕获全局时间特征，而 ARM 使用 Spectral2Time 窗口块（S2TWB）在频域中对局部时间序列数据进行卷积。得益于快速傅里叶变换的时间卷积特性，ARM 能够自适应地改变分数图的感受野，从而有效平衡局部和全局时间特征。我们在三个不同领域的真实 MTS 数据集上进行了广泛的评估，结果验证了所提出的 Score-CDM 的有效性。
引用
@article{arxiv.2405.13075,
title = {Score-CDM: Score-Weighted Convolutional Diffusion Model for Multivariate Time Series Imputation},
author = {S. Zhang and S. Wang and H. Miao and H. Chen and C. Fan and J. Zhang},
journal= {arXiv preprint arXiv:2405.13075},
year = {2024}
}