論文の概要: AdaSTI: Conditional Diffusion Models with Adaptive Dependency Modeling for Spatio-Temporal Imputation
- arxiv url: http://arxiv.org/abs/2509.18144v1
- Date: Mon, 15 Sep 2025 18:55:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-24 20:41:27.415934
- Title: AdaSTI: Conditional Diffusion Models with Adaptive Dependency Modeling for Spatio-Temporal Imputation
- Title（参考訳）: AdaSTI:時空間インプットに対する適応依存モデルを用いた条件拡散モデル
- Authors: Yubo Yang, Yichen Zhu, Bo Jiang,
- Abstract要約: 本研究では,条件付き拡散モデルに基づく新しいS時間計算手法であるAdaを提案する。
Adaは、すべての設定で既存のメソッドを上回り、最大46.4%の計算エラーを削減している。
- 参考スコア（独自算出の注目度）: 18.411685240380333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatio-temporal data abounds in domain like traffic and environmental monitoring. However, it often suffers from missing values due to sensor malfunctions, transmission failures, etc. Recent years have seen continued efforts to improve spatio-temporal data imputation performance. Recently diffusion models have outperformed other approaches in various tasks, including spatio-temporal imputation, showing competitive performance. Extracting and utilizing spatio-temporal dependencies as conditional information is vital in diffusion-based methods. However, previous methods introduce error accumulation in this process and ignore the variability of the dependencies in the noisy data at different diffusion steps. In this paper, we propose AdaSTI (Adaptive Dependency Model in Diffusion-based Spatio-Temporal Imputation), a novel spatio-temporal imputation approach based on conditional diffusion model. Inside AdaSTI, we propose a BiS4PI network based on a bi-directional S4 model for pre-imputation with the imputed result used to extract conditional information by our designed Spatio-Temporal Conditionalizer (STC)network. We also propose a Noise-Aware Spatio-Temporal (NAST) network with a gated attention mechanism to capture the variant dependencies across diffusion steps. Extensive experiments on three real-world datasets show that AdaSTI outperforms existing methods in all the settings, with up to 46.4% reduction in imputation error.
- Abstract（参考訳）: 時空間データは、トラフィックや環境監視のような領域にまたがる。
しかし、センサーの故障や送信障害などにより、しばしば値の欠落に悩まされる。
近年,時空間データ計算性能の向上に努力が続けられている。
近年の拡散モデルは、時空間計算を含む様々なタスクにおいて他の手法よりも優れており、競争性能を示している。
拡散に基づく手法では,時空間依存を条件情報として抽出・活用することが不可欠である。
しかし、従来の手法では、このプロセスにエラーの蓄積を導入し、異なる拡散ステップにおけるノイズデータの依存関係のばらつきを無視していた。
本稿では,条件拡散モデルに基づく新しい時空間計算手法であるAdaSTI(Adaptive Dependency Model in Diffusion-based Spatio-Temporal Imputation)を提案する。
AdaSTI内では,2方向S4モデルに基づくBiS4PIネットワークを設計した時空間コンディショナライザ(STC)ネットワークを用いて,条件情報を抽出するインプット結果を用いて提案する。
また,拡散ステップをまたいだ可変依存性を捕捉するゲートアテンション機構を備えたノイズ対応時空間(NAST)ネットワークを提案する。
3つの実世界のデータセットに対する大規模な実験により、AdaSTIはすべての設定において既存のメソッドよりも優れており、最大46.4%の計算誤差が減少している。
関連論文リスト
- DS-Diffusion: Data Style-Guided Diffusion Model for Time-Series Generation [4.14524872656857]
時系列生成タスクのためのデータスタイル誘導拡散モデル(DS-Diffusion)を提案する。
DS-Diffusionは、条件付きガイダンスを導入するためにフレームワーク全体をトレーニングするのを避ける。
生成されたサンプルは、それらが発するデータスタイルを明確に示すことができる。
論文 参考訳（メタデータ） (2025-09-23T03:06:39Z) - Filling the Missings: Spatiotemporal Data Imputation by Conditional Diffusion [7.021277706390712]
環境モニタリングから都市交通管理まで,現代的応用への課題が提示されている。
機械学習とディープラーニングに基づく現在のアプローチは、空間次元と時間次元の依存性を効果的にモデル化するために苦労している。
CoFILLは、拡散品質モデルの本質的な利点に基づいて、高品質な計算結果を生成する。
論文 参考訳（メタデータ） (2025-06-08T11:53:06Z) - Continuous Diffusion Model for Language Modeling [57.396578974401734]
離散データに対する既存の連続拡散モデルは、離散的アプローチと比較して性能が限られている。
本稿では,下層の分類分布の幾何学を組み込んだ言語モデリングのための連続拡散モデルを提案する。
論文 参考訳（メタデータ） (2025-02-17T08:54:29Z) - RDPI: A Refine Diffusion Probability Generation Method for Spatiotemporal Data Imputation [4.251739849724956]
インキュベーションは交通流のモニタリング、大気質の評価、気候予報など様々な分野で重要な役割を担っている。
センサによって収集されたデータは、しばしば時間的不完全性に悩まされ、蓄積と不均一な分布は、データ不足につながる。
本稿では,初期ネットワークと条件拡散モデルに基づく2段階改良型確率計算フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-17T08:06:00Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。
本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。
既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。
時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。
5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
論文 参考訳（メタデータ） (2024-06-06T04:22:11Z) - A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。
実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2024-02-18T11:59:04Z) - Erasing Undesirable Influence in Diffusion Models [51.225365010401006]
拡散モデルは高品質な画像を生成するのに非常に効果的であるが、NSFW(職場では安全ではない)コンテンツの意図しない生成のようなリスクを引き起こす。
本研究では,データに関連付けられた不要な情報を取り除き,保存データに対する拡散モデルの実用性を維持するために設計されたアルゴリズムであるEraseDiffを紹介する。
論文 参考訳（メタデータ） (2024-01-11T09:30:36Z) - PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation [35.62945607302276]
本稿では,PriSTI という先行モデルを用いた時空間計算のための条件拡散フレームワークを提案する。
PriSTIは、さまざまな現実世界データの欠落パターンにおいて既存の計算方法よりも優れており、高い欠落率やセンサーの故障といったシナリオを効果的に処理する。
論文 参考訳（メタデータ） (2023-02-20T03:52:53Z) - 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)
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。