CoSTI: Consistency Models for (a faster) Spatio-Temporal Imputation

要約

多変量時系列代入（MTSI）は、不完全なデータが意思決定を損なう可能性のあるヘルスケア監視や交通管理など、多くのアプリケーションにとって重要です。
拡散確率モデル（DDPM）を除去するなど、既存の最先端の方法は、高い代入の精度を達成します。
しかし、彼らはかなりの計算コストに苦しんでおり、特に反復的な性質のために時間がかかります。
この作業では、MTSIドメインの一貫性モデル（CMS）の革新的な適応であるCostiを提案します。
Costiは一貫性のあるトレーニングを採用してDDPMに匹敵する帰属品質を実現しながら、推論時間を大幅に削減し、リアルタイムアプリケーションにより適しています。
複数のデータセットと欠損データシナリオでCostiを評価し、拡散ベースのモデルとPARでのパフォーマンスを伴う代入時間の最大98％の短縮を示しています。
この作業は、生成的代入タスクの効率と精度の間のギャップを橋渡しし、重要な空間的システムで欠落データを処理するためのスケーラブルなソリューションを提供します。

要約(オリジナル)

Multivariate Time Series Imputation (MTSI) is crucial for many applications, such as healthcare monitoring and traffic management, where incomplete data can compromise decision-making. Existing state-of-the-art methods, like Denoising Diffusion Probabilistic Models (DDPMs), achieve high imputation accuracy; however, they suffer from significant computational costs and are notably time-consuming due to their iterative nature. In this work, we propose CoSTI, an innovative adaptation of Consistency Models (CMs) for the MTSI domain. CoSTI employs Consistency Training to achieve comparable imputation quality to DDPMs while drastically reducing inference times, making it more suitable for real-time applications. We evaluate CoSTI across multiple datasets and missing data scenarios, demonstrating up to a 98% reduction in imputation time with performance on par with diffusion-based models. This work bridges the gap between efficiency and accuracy in generative imputation tasks, providing a scalable solution for handling missing data in critical spatio-temporal systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google