Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation

要約

下流タスクの信頼性と成功には、正確な代入が不可欠です。
近年、この分野では普及モデルが注目を集めています。
ただし、これらのモデルは、観測データから導出される低次元空間の潜在分布を無視しているため、拡散モデルの生成能力が制限されます。
さらに、ラベルのない元の欠損データの処理は特に問題になります。
これらの問題に対処するために、確率的多変量時系列代入のための潜在空間スコアベース拡散モデル (LSSDM) を提案します。
観測値は低次元の潜在空間に投影され、この教師なし学習アプローチによって、欠落データの粗い値がそのグランドトゥルース値を知らずに再構築されます。
最後に、再構成された値が条件付き拡散モデルに入力されて、時系列の正確な代入値が取得されます。
このように、LSSDM は潜在的な分布を特定する能力を備えているだけでなく、拡散モデルをシームレスに統合して、忠実度の高い代入値を取得し、データセットの不確実性を評価します。
実験結果は、LSSDM が優れた代入パフォーマンスを達成すると同時に、代入メカニズムのより良い説明と不確実性分析を提供することを示しています。
コードの Web サイトは \textit{https://github.com/gorgen2020/LSSDM\_imputation} です。

要約(オリジナル)

Accurate imputation is essential for the reliability and success of downstream tasks. Recently, diffusion models have attracted great attention in this field. However, these models neglect the latent distribution in a lower-dimensional space derived from the observed data, which limits the generative capacity of the diffusion model. Additionally, dealing with the original missing data without labels becomes particularly problematic. To address these issues, we propose the Latent Space Score-Based Diffusion Model (LSSDM) for probabilistic multivariate time series imputation. Observed values are projected onto low-dimensional latent space and coarse values of the missing data are reconstructed without knowing their ground truth values by this unsupervised learning approach. Finally, the reconstructed values are fed into a conditional diffusion model to obtain the precise imputed values of the time series. In this way, LSSDM not only possesses the power to identify the latent distribution but also seamlessly integrates the diffusion model to obtain the high-fidelity imputed values and assess the uncertainty of the dataset. Experimental results demonstrate that LSSDM achieves superior imputation performance while also providing a better explanation and uncertainty analysis of the imputation mechanism. The website of the code is \textit{https://github.com/gorgen2020/LSSDM\_imputation}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google