【论文精读1】CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation

• 介绍

时间序列中缺失值的插补在医疗保健和金融领域有许多应用。虽然自回归模型是时间序列插补的自然候选模型，但基于分数的扩散模型最近在许多任务（如图像生成和音频合成）中的表现优于包括自回归模型在内的现有模型，并有望用于时间序列插补。在本文中，我们提出了基于分数的条件扩散插补模型（CSDI），这是一种新的时间序列插补方法，利用以观察数据为条件的基于分数的扩散模型。与现有的基于分数的方法不同，条件扩散模型经过明确的插补训练，可以利用观察值之间的相关性。在医疗和环境数据方面，CSDI在流行的性能指标上比现有的概率插补方法提高了40-65%。此外，与最先进的确定性插补方法相比，CSDI的确定性插补将误差减少5-20%。此外，CSDI还可以应用于时间序列插值和概率预测，并且与现有基线具有竞争力。代码可在https:\/\/github上获得。

在本文中，我们提出了一种新的概率插补方法CSDI，该方法使用基于条件分数的扩散模型直接学习条件分布。与现有的基于分数的方法不同，条件扩散模型设计用于插补，可以利用观察值中的有用信息。我们在中说明了使用CSDI进行时间序列插补的过程。

每个框中的虚线代表观察值，绘制这些观察值是为了显示与生成插补的关系，并且不包括在每个xtat中。即拿噪声去补序列。