diffusion-based time series imputation and forecasting with structured state space models

2022/08/19

 

1. abstract

 

결측치를 채워넣는 것은, 많은 현실세계 데이터분석 파이프라인에서 상당한 장애물로 나타난다.

 

여기 우리는 time series data에 집중하여 SSSD라는 imputation model을 제시한다.

 

이는 2개의 급부상한 기술인 conditional diffusion model(SOTA generative model)과 내부 아키텍처로 structured state space model을 사용하는데 이 space model은 특히 time series data의 long-term dependency를 포착하는데 적합하다.

 

우리는 SSSD가 SOTA probabilistic imputation을 뛰어넘고 다양한 데이터셋에서 예측 성능이 뛰어나며 이전에 여러 접근법들이 실패했던 blackout missing scenario를 포함한 여러 missing scenario에서 의미있는 결과를 보였음을 증명한다.

 

얘는 좀 관심있게 읽어봐야할듯?

 

https://paperswithcode.com/paper/diffusion-based-time-series-imputation-and

Papers with Code - Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models