FADTI: Fourier‑ und Attention‑basiertes Diffusionsmodell für Zeitreihen‑Imputation
Die Imputation von multivariaten Zeitreihen ist in Bereichen wie Gesundheitswesen, Verkehrsprognosen und biologischer Modellierung von zentraler Bedeutung, wenn Sensorfehler und unregelmäßige Messungen zu fehlenden Date…
- Die Imputation von multivariaten Zeitreihen ist in Bereichen wie Gesundheitswesen, Verkehrsprognosen und biologischer Modellierung von zentraler Bedeutung, wenn Sensorfe…
- Trotz der Fortschritte bei Transformer‑ und Diffusionsmodellen fehlt diesen Ansätzen oft ein expliziter Induktivitätsvorteil und eine Frequenzsensitivität, was ihre Gene…
- FADTI (Fourier and Attention Driven Diffusion for Multivariate Time Series Imputation) adressiert dieses Problem, indem es ein diffusionbasiertes Framework mit einem ler…
Die Imputation von multivariaten Zeitreihen ist in Bereichen wie Gesundheitswesen, Verkehrsprognosen und biologischer Modellierung von zentraler Bedeutung, wenn Sensorfehler und unregelmäßige Messungen zu fehlenden Daten führen. Trotz der Fortschritte bei Transformer‑ und Diffusionsmodellen fehlt diesen Ansätzen oft ein expliziter Induktivitätsvorteil und eine Frequenzsensitivität, was ihre Generalisierung bei strukturierten Fehlermustern und Verteilungssprüngen einschränkt.
FADTI (Fourier and Attention Driven Diffusion for Multivariate Time Series Imputation) adressiert dieses Problem, indem es ein diffusionbasiertes Framework mit einem lernbaren Fourier‑Bias‑Projection‑Modul kombiniert. Dieses Modul moduliert die Features im Frequenzbereich und unterstützt mehrere spektrale Basen, sodass sowohl stationäre als auch nicht‑stationäre Muster adaptiv kodiert werden können. Durch die Integration von Selbstaufmerksamkeit und gated Convolution entsteht ein robustes zeitliches Modell, das die Frequenzdomänen‑Induktive Bias direkt in den generativen Imputationsprozess einfließen lässt.
In umfangreichen Experimenten, die mehrere Benchmarks sowie ein neu eingeführtes biologisches Zeitreihen‑Dataset umfassen, übertrifft FADTI die aktuellen Spitzenmethoden konsequent – besonders bei hohen Fehlerraten. Der Ansatz demonstriert, dass die Kombination aus Frequenz‑ und Attention‑Mechanismen die Leistung bei strukturierten und unregelmäßigen Daten deutlich steigert.
Der Quellcode ist frei verfügbar unter https://anonymous.4open.science/r/TimeSeriesImputation-52BF.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.