論文の概要: PAMF: Prior-Aware Multimodal Fusion for Incomplete Time Series Data

• arxiv url: http://arxiv.org/abs/2606.06328v1
• Date: Thu, 04 Jun 2026 16:04:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.931122
• Title: PAMF: Prior-Aware Multimodal Fusion for Incomplete Time Series Data
• Title（参考訳）: PAMF:不完全時系列データのための事前認識マルチモーダルフュージョン
• Authors: Ziwen Kan, Wugeng Zheng, Tianlong Chen, Song Wang,
• Abstract要約: PAMFは、異なる欠落パターンを扱うマルチモーダルな時系列フレームワークである。 多様なデータセットと欠落した設定で、ダウンストリームのパフォーマンスが最強であることを示します。
• 参考スコア（独自算出の注目度）: 37.71457191016947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In healthcare, multimodal time series tasks often operate on incomplete observations in practice, for example when ECG segments are lost because electrodes detach or an entire respiratory channel is unavailable during overnight monitoring. Such missingness typically appears in two structurally distinct patterns: within-modality missing, where values are absent within an otherwise observed modality, and modality-level missing, where an entire modality is unavailable. Existing methods typically represent unobserved data implicitly through masks or missing embeddings, without learning instance-specific missing information, and most are designed for only one missingness pattern. A natural approach is to explicitly estimate the missing data; however, existing imputation methods treat missingness uniformly despite their different structural priors, and the imputation process is often isolated from downstream tasks, preventing downstream tasks from guiding imputation toward more informative representations. To address these limitations, we present PAMF, a multimodal time-series framework that explicitly handles different missingness patterns while coupling imputation with downstream prediction through prior-aware flow matching and weight sharing. Specifically, the method initializes the flow-matching source state with type-specific priors to distinguish two missing types. It further connects imputation and classification through architecturally matched encoders with weight sharing, transferring task-relevant representations into the imputation process. Experiments on multiple multimodal healthcare time-series benchmarks show that the proposed method achieves the strongest overall downstream performance across diverse datasets and missing settings compared with existing baselines.
• Abstract（参考訳）: 医療において、マルチモーダルな時系列タスクは、例えば、電極の剥離や呼吸チャネル全体が一晩の監視で利用できないため、ECGセグメントが失われる場合など、実際には不完全な観察を行うことが多い。 このような欠如は、通常、2つの構造的に異なるパターンに現れる:内部モダリティの欠如、他の観察されたモダリティの範囲内で値が欠如すること、全モダリティが利用できないモダリティの欠如。 既存の方法は、通常、マスクや埋め込みの欠如を通じて暗黙的に観測されていないデータを表現し、インスタンス固有の欠落情報を学習することなく、ほとんどは1つの欠落パターンだけのために設計されている。 自然のアプローチは、欠落したデータを明示的に推定することであるが、既存の計算方法では、異なる構造的前提にもかかわらず、欠落を均一に扱うことができ、その計算過程は下流のタスクから分離されることが多く、下流のタスクがより情報的な表現へと導かれるのを防ぐことができる。 これらの制約に対処するため,従来のフローマッチングと重み共有による下流予測とインプットを結合しながら,異なる欠点パターンを明示的に扱うマルチモーダル時系列フレームワークであるPAMFを提案する。 具体的には、フローマッチングソース状態とタイプ固有の事前条件を初期化して、2つの欠落した型を識別する。 さらに、アーキテクチャにマッチしたエンコーダを通じて、計算処理と分類を重み付け、タスク関連表現を計算処理に転送する。 複数のマルチモーダル医療時系列ベンチマークの実験により、提案手法は、既存のベースラインと比較して、多様なデータセットや設定の欠如において、最強のダウンストリーム性能を達成することが示された。

関連論文リスト

• TRACE: A Temporal Conditional Estimation for Multimodal Time Series Foundation Models [38.02980231068582]
  時系列基礎モデル(TS-FM)は、幅広い下流タスクに適応可能な一般化可能な時間表現を学習することを目的としている。 既存のアプローチは一般的に、単純な命令やマスキング戦略に頼っているが、これはクロスモーダルな依存関係を考慮できない。 本稿では,マルチモーダル時系列基礎モデルパイプラインに対する条件推定パラダイムであるTRACEを提案する。
  論文  参考訳（メタデータ） (2026-06-04T15:25:03Z)
• Missing Pattern Recognized Diffusion Imputation Model for Missing Not At Random [26.07283859053491]
  ミスパターン認識拡散計算モデル(PRDIM)について紹介する。 PRDIMは欠落したパターンをキャプチャし、観測されていない値を正確に暗示する。 我々は, PRDIM が MNAR 設定下での強い計算性能を一貫して達成できることを実証した。
  論文  参考訳（メタデータ） (2026-05-25T05:29:59Z)
• Conditional Imputation for Within-Modality Missingness in Multi-Modal Federated Learning [8.35064965629059]
  MMFL(Multimodal Federated Learning)は、プライバシー保護のための協調トレーニングを提供する。 実世界の臨床応用は、しばしば、センサーの断続性や不規則なサンプリングによって生じるモダリティの欠如に悩まされる。 本研究では,条件付き拡散モデルを用いて,この欠陥に明示的に対処するフレームワークであるCondIを提案する。
  論文  参考訳（メタデータ） (2026-04-25T02:35:08Z)
• Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
  我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。 この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
  論文  参考訳（メタデータ） (2026-04-14T19:32:55Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  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)
• Impute-MACFM: Imputation based on Mask-Aware Flow Matching [1.9483189922830135]
  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。
  論文  参考訳（メタデータ） (2025-09-27T05:15:09Z)
• 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)
• 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)
• 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)

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。