ترجمه فارسی مقاله MTSCI: یک مدل انتشار شرطی برای جانهی سازگار سری‌های زمانی چند متغیره

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

مقادیر گمشده در سری های زمانی چند متغیره شیوع دارند ، و به طور یکپارچگی به طور یکپارچگی تجزیه و تحلیل ها و تحقیر عملکرد کارهای پایین دست به خطر می افتد.در نتیجه ، تحقیقات بر روی اختلافات سری زمانی چند متغیره متمرکز شده است ، با هدف ایجاد دقیق مقادیر گمشده بر اساس مشاهدات موجود.یک سوال مهم تحقیق این است که چگونه می توان از قوام تحمیل ، یعنی ماندگاری بین مقادیر مشاهده شده و منتسب و بین ویندوزهای مجاور پس از جابجایی اطمینان داد.با این حال ، روش های قبلی صرفاً به تعصب القایی اهداف تحریک برای هدایت فرایند یادگیری ، نادیده گرفتن قوام تحریک و در نهایت منجر به عملکرد ضعیف متکی هستند.مدل های انتشار ، که به دلیل توانایی های تولیدی قدرتمند خود شناخته شده اند ، ترجیح می دهند بر اساس مشاهدات موجود نتایج مداوم ایجاد کنند.بنابراین ، ما یک مدل انتشار مشروط برای سری زمانی چند متغیره سازگار (MTSCI) پیشنهاد می کنیم.به طور خاص ، MTSCI از یک ماسک مکمل متضاد برای تولید نماهای دوگانه در طی فرآیند رو به جلو استفاده می کند.سپس ، از دست دادن متضاد داخل محاسبه می شود تا از بین المللی بودن بین مقادیر منتخب و مشاهده شده اطمینان حاصل شود.در همین حال ، MTSCI از یک مکانیسم مخلوط برای ترکیب اطلاعات مشروط از ویندوزهای مجاور در طی فرآیند denoising استفاده می کند ، و تسهیل بین هماهنگی بین نمونه های منتخب را تسهیل می کند.آزمایش های گسترده در مورد مجموعه داده های مختلف در دنیای واقعی نشان می دهد که روش ما به عملکرد پیشرفته در کار تحمیل سری زمانی چند متغیره تحت سناریوهای مختلف مفقود شده دست می یابد.کد در https://github.com/jeremychou28/mtsci در دسترس است.