MTSCI: Um Modelo de Difusão Condicional para Imputação Consistente de Séries Temporais Multivariadas

Valores ausentes são prevalentes em séries temporais multivariadas, comprometendo a integridade das análises e degradando o desempenho das tarefas subsequentes. Consequentemente, a pesquisa tem se concentrado na imputação de séries temporais multivariadas, visando imputar com precisão os valores faltantes com base nas observações disponíveis. Uma questão chave de pesquisa é como garantir a consistência da imputação, ou seja, a consistência intrínseca entre os valores observados e imputados e a consistência inter entre janelas adjacentes após a imputação. No entanto, métodos anteriores se baseiam unicamente no viés indutivo dos alvos de imputação para guiar o processo de aprendizado, ignorando a consistência da imputação e, em última análise, resultando em baixo desempenho. Modelos de difusão, conhecidos por suas poderosas habilidades generativas, preferem gerar resultados consistentes com base nas observações disponíveis. Portanto, propomos um modelo de difusão condicional para Imputação Consistente de Séries Temporais Multivariadas (MTSCI). Especificamente, o MTSCI emprega uma máscara complementar contrastiva para gerar visões duplas durante o processo de adição de ruído. Em seguida, a perda contrastiva intrínseca é calculada para garantir a consistência intrínseca entre os valores imputados e observados. Enquanto isso, o MTSCI utiliza um mecanismo de mixup para incorporar informações condicionais de janelas adjacentes durante o processo de remoção de ruído, facilitando a consistência inter entre amostras imputadas. Experimentos extensivos em múltiplos conjuntos de dados do mundo real demonstram que nosso método atinge desempenho de última geração na tarefa de imputação de séries temporais multivariadas sob diferentes cenários de ausência. O código está disponível em https://github.com/JeremyChou28/MTSCI.