論文の概要: Impute-MACFM: Imputation based on Mask-Aware Flow Matching

• arxiv url: http://arxiv.org/abs/2509.23126v1
• Date: Sat, 27 Sep 2025 05:15:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.055409
• Title: Impute-MACFM: Imputation based on Mask-Aware Flow Matching
• Title（参考訳）: マスク認識フローマッチングに基づくインプットMACFM
• Authors: Dengyi Liu, Honggang Wang, Hua Fang,
• Abstract要約: Impute-MACFMは、表計算のための条件付きフローマッチングフレームワークである。 無作為性、無作為性、無作為性、無作為性、無作為性に対処する。 軌道は欠落したエントリのみに設定され、予測速度は観測されたエントリでほぼゼロに抑えられる。
• 参考スコア（独自算出の注目度）: 1.9483189922830135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular data are central to many applications, especially longitudinal data in healthcare, where missing values are common, undermining model fidelity and reliability. Prior imputation methods either impose restrictive assumptions or struggle with complex cross-feature structure, while recent generative approaches suffer from instability and costly inference. We propose Impute-MACFM, a mask-aware conditional flow matching framework for tabular imputation that addresses missingness mechanisms, missing completely at random, missing at random, and missing not at random. Its mask-aware objective builds trajectories only on missing entries while constraining predicted velocity to remain near zero on observed entries, using flexible nonlinear schedules. Impute-MACFM combines: (i) stability penalties on observed positions, (ii) consistency regularization enforcing local invariance, and (iii) time-decayed noise injection for numeric features. Inference uses constraint-preserving ordinary differential equation integration with per-step projection to fix observed values, optionally aggregating multiple trajectories for robustness. Across diverse benchmarks, Impute-MACFM achieves state-of-the-art results while delivering more robust, efficient, and higher-quality imputation than competing approaches, establishing flow matching as a promising direction for tabular missing-data problems, including longitudinal data.
• Abstract（参考訳）: タブラルデータは、特に、欠落した値が一般的であり、モデルの忠実さと信頼性を損なう医療における、多くのアプリケーション、特に縦方向のデータの中心である。 従来の計算法は制約的な仮定を課すか、複雑なクロスフィーチャー構造に苦慮するが、最近の生成的アプローチは不安定性とコストのかかる推論に悩まされている。 Inute-MACFM は,無作為性,無作為性,無作為性,無作為性,無作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,無作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性,不作為性 マスクを意識した目的は、欠落したエントリのみに軌道を構築し、予測速度をフレキシブルな非線形スケジュールを用いて観測されたエントリにほぼゼロに抑える。 Impute-MACFM の組み合わせ 一 観察された位置に対する安定性の罰則 二 局所的不変性を有する整合正則化、及び 三 数値特徴量に対する時間分解ノイズ注入 推論は制約保存の常微分方程式積分とステップごとの射影を使って観測値を修正し、任意に複数の軌道をロバスト性のために集約する。 様々なベンチマークにおいて、Impute-MACFMは、競合するアプローチよりも堅牢で効率的で高品質な計算を提供しながら、最先端の結果を達成する。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• MissDDIM: Deterministic and Efficient Conditional Diffusion for Tabular Data Imputation [2.124791625488617]
  表計算にDenoising Diffusion Implicit Models(DDIM)を適用する条件拡散フレームワークMissDDIMを提案する。 サンプリングは多様な補完を可能にするが、下流処理を複雑にする出力の可変性も導入している。
  論文  参考訳（メタデータ） (2025-08-05T04:55:26Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• BRATI: Bidirectional Recurrent Attention for Time-Series Imputation [0.14999444543328289]
  時系列分析におけるデータの欠落は、ダウンストリームアプリケーションの信頼性に影響を及ぼす、重大な課題を引き起こす。 本稿では,多変量時系列計算のための新しい深層学習モデルであるBRATIを紹介する。 BRATIは時間的依存を処理し、長い時間的水平線と短い時間的水平線をまたいだ特徴相関を処理し、その逆の時間的方向で動作する2つの計算ブロックを利用する。
  論文  参考訳（メタデータ） (2025-01-09T17:50:56Z)
• MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
  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。
  論文  参考訳（メタデータ） (2024-08-11T10:24:53Z)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Uncertainty-Aware Deep Attention Recurrent Neural Network for Heterogeneous Time Series Imputation [0.25112747242081457]
  欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。 本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。 実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-01-04T13:21:11Z)
• It's All in the Mix: Wasserstein Classification and Regression with Mixed Features [5.106912532044251]
  我々は、離散的特徴の存在を忠実に説明できる分布的に堅牢な予測モデルを開発し、分析する。 我々のモデルは、離散的特徴の存在に非依存な既存手法を著しく上回り得ることを実証する。
  論文  参考訳（メタデータ） (2023-12-19T15:15:52Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)

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。