論文の概要: MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation

• arxiv url: http://arxiv.org/abs/2408.05740v1
• Date: Sun, 11 Aug 2024 10:24:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 15:47:38.637658
• Title: MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation
• Title（参考訳）: MTSCI:多変量時系列一貫性インプットのための条件拡散モデル
• Authors: Jianping Zhou, Junhao Li, Guanjie Zheng, Xinbing Wang, Chenghu Zhou,
• Abstract要約: 主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。 従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
• 参考スコア（独自算出の注目度）: 41.681869408967586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing values are prevalent in multivariate time series, compromising the integrity of analyses and degrading the performance of downstream tasks. Consequently, research has focused on multivariate time series imputation, aiming to accurately impute the missing values based on available observations. A key research question is how to ensure imputation consistency, i.e., intra-consistency between observed and imputed values, and inter-consistency between adjacent windows after imputation. However, previous methods rely solely on the inductive bias of the imputation targets to guide the learning process, ignoring imputation consistency and ultimately resulting in poor performance. Diffusion models, known for their powerful generative abilities, prefer to generate consistent results based on available observations. Therefore, we propose a conditional diffusion model for Multivariate Time Series Consistent Imputation (MTSCI). Specifically, MTSCI employs a contrastive complementary mask to generate dual views during the forward noising process. Then, the intra contrastive loss is calculated to ensure intra-consistency between the imputed and observed values. Meanwhile, MTSCI utilizes a mixup mechanism to incorporate conditional information from adjacent windows during the denoising process, facilitating the inter-consistency between imputed samples. Extensive experiments on multiple real-world datasets demonstrate that our method achieves the state-of-the-art performance on multivariate time series imputation task under different missing scenarios. Code is available at https://github.com/JeremyChou28/MTSCI.
• Abstract（参考訳）: 多変量時系列では欠落値が一般的であり、解析の整合性を妥協し、下流タスクのパフォーマンスを低下させる。 その結果、多変量時系列計算に焦点が当てられ、利用可能な観測値に基づいて、欠落した値を正確にインプットすることを目的としている。 主要な研究課題は、インキュベーション整合性、すなわち、観測値とインキュベーション値の間の整合性、およびインキュベーション後の隣の窓間の整合性を確保する方法である。 しかし、従来の手法は、学習プロセスを導くために命令対象の帰納バイアスにのみ依存し、命令の一貫性を無視し、結果としてパフォーマンスが低下する。 拡散モデルは、その強力な生成能力で知られており、利用可能な観測に基づいて一貫した結果を生成することを好んでいる。 そこで本稿では,MTSCI(Multiate Time Series Consistent Imputation)の条件拡散モデルを提案する。 具体的には、MTSCIはフォワードノイズ発生過程において二重ビューを生成するために、コントラスト的な補完マスクを使用している。 そして、イントラスト損失を算出し、インプットされた値と観測された値との整合性を確保する。 一方、MSSCIは、隣接する窓からの条件情報を混在させ、汚染されたサンプル間の整合性を促進するためにミキシング機構を利用する。 複数の実世界のデータセットに対する大規模な実験により,異なるシナリオ下での多変量時系列計算タスクにおける最先端の性能が得られた。 コードはhttps://github.com/JeremyChou28/MTSCIで入手できる。

関連論文リスト

• Scalable Numerical Embeddings for Multivariate Time Series: Enhancing Healthcare Data Representation Learning [6.635084843592727]
  独立トークンとして各特徴値を扱う新しいフレームワークであるSCANEを提案する。 SCANEは、異なる機能埋め込みの特性を正規化し、スケーラブルな埋め込みメカニズムを通じて表現学習を強化する。 本研究は,MTSの精度の高い予測出力を実現するために,nUMerical eMbeddIng Transformer (SUMMIT) を開発した。
  論文  参考訳（メタデータ） (2024-05-26T13:06:45Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
  GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。 我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-22T06:06:56Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Self-supervised Transformer for Multivariate Clinical Time-Series with Missing Values [7.9405251142099464]
  本稿ではSTraTS(Self-supervised Transformer for TimeSeries)モデルを提案する。 伝統的な密度行列表現を使う代わりに、時系列を観測三重項の集合として扱う。 これは、特にラベル付きデータが制限された場合、死亡予測の最先端手法よりも優れた予測性能を示す。
  論文  参考訳（メタデータ） (2021-07-29T19:39:39Z)
• CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
  Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。 さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
  論文  参考訳（メタデータ） (2021-07-07T22:20:24Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Multi-view Integration Learning for Irregularly-sampled Clinical Time Series [1.9639092030562577]
  不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。 我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。 我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
  論文  参考訳（メタデータ） (2021-01-25T10:02:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。