拡散モデル論文の読み方PriSTI: 時空間補完のための条件付き拡散フレームワーク

0.要約

0.1 文ごとの翻訳

時空間データ マイニングは、大気質の監視、群衆の流れのモデリング、気候予測において重要な役割を果たします。ただし、現実世界のシナリオで最初に収集された時空間データは、通常、センサーの故障や伝送損失により不完全になります。時空間補完は、観測値とその根底にある時空間依存性に基づいて欠損値を埋めることを目的としています。以前の支配的なモデルは、欠損値を自己回帰的に代入し、誤差が蓄積するという問題に悩まされていました。新しい強力な生成モデルとして、拡散確率モデルを採用して、観測によって条件付けられた欠損値を代入し、不正確な履歴代入による欠損値の推論を回避できます。しかし、条件付き情報の構築と利用は、拡散モデルを時空間補完に適用する際に避けられない課題です。上記の問題に対処するために、PriSTI と呼ばれる、強化された事前モデリングを備えた時空間補完のための条件付き拡散フレームワークを提案します。私たちが提案するフレームワークは、最初に条件付き特徴抽出モジュールを提供し、事前にグローバルコンテキストとして条件付き情報から大まかで効果的な時空間依存関係を抽出します。次に、条件付き特徴によって計算された時空間的注意の重みと地理的関係を考慮して、ノイズ推定モジュールがランダム ノイズを現実的な値に変換します。PriSTI は、現実世界のさまざまな時空間データのさまざまな欠損パターンにおいて、既存の補完手法よりも優れたパフォーマンスを発揮します。高い欠落率やセンサーの故障などのシナリオを効果的に処理します。実装コードは https://github.com/LMZZML/PriSTI で入手できます。

時空間データ マイニングは、大気質の監視、群衆の流れのモデリング、気候予測において重要な役割を果たします。ただし、現実世界の生の時空間データは、センサーの故障や伝送損失により不完全になることがよくあります。時空間補間は、観察とその背後にある時空間依存性に基づいて欠損値を埋めることを目的としています。以前の支配的なモデルは欠損値を自己回帰的に代入し、誤差が蓄積するという問題に悩まされていました。新しく強力な生成モデルとして、拡散確率モデルは、観測に基づいて条件付きで欠損値を埋めることができ、不正確な履歴補間による欠損値の推論を回避できます。ただし、拡散モデルを時空間補間に適用する場合、条件付き情報の構築と利用は避けられない課題です。これらの問題に対処するために、我々は、PriSTI と呼ばれる、事前のモデリングで強化された時空間補間の条件付き拡散フレームワークを提案します。私たちが提案するフレームワークは、まず、条件付き特徴抽出モジュールを提供し、グローバルな背景事前分布としての条件付き情報から、大まかではあるが効果的な時空間依存関係を抽出します。次に、ノイズ推定モジュールがランダム ノイズを現実的な値に変換し、条件付き特徴を使用して時空間的注意の重みを計算し、地理的関係を考慮します。PriSTI は、現実世界の時空間データのさまざまな欠損パターンにおいて既存の補間方法よりも優れた性能を発揮し、欠損率が高い状況やセンサーの故障に効果的に対処できます。実装のコードは https://github.com/LMZZML/PriSTI で入手できます。

索引用語 - 時空間補完、拡散モデル、時空間依存学習

0.2

• 1. 解決される時空間データ マイニングの問題は、主に欠損値を補完する問題です。
• 2. 従来の自己回帰モデルには累積誤差の問題があるため、著者はここでは自己回帰を使用しません。

I.はじめに

1.1 翻訳

最初の段落 (空間的および時間的データの完成は一般的な問題であり、研究価値があります)

時空間データは、固有の時空間パターンを持つデータの一種であり、大気質の監視 [1]、[2]、交通状況の予測 [3]、[4]、天気予報などのタスクに現実世界で広く適用されています。 [5]など。しかし、センサーの故障と伝送損失[2]により、時空間データの不完全性は一般的な問題であり、欠損値の位置のランダム性と欠損パターンの多様性によって特徴付けられ、その結果、時空間パターンの不正確な分析が発生し、さらなる干渉が発生します。下流のタスクについて。近年、広範な研究 [1]、[6]、[7] は、欠損値を補完するために利用可能な観測データからの時空間依存性を利用することを目的として、時空間補完に踏み込んでいます。

時空間データは、固有の時空間パターンを持つ一種のデータであり、大気質監視 [1]、交通状況予測 [3]、天気予報 [5] など、現実世界のタスクで広く使用されています。しかし、時空間データの不完全性は、センサーの故障や伝送損失 [2] に起因する一般的な問題であり、欠損値の位置のランダム性と欠損パターンの多様性によって特徴づけられ、時空間パターンの誤った分析につながり、さらなる問題を引き起こす可能性があります。後続のタスクに干渉します。近年、広範な研究 [1]、[6]、[7] により、欠損値を埋めるために利用可能な観測データから時空間依存性を抽出することを目的として、時空間補間が深く研究されています。

第 2 段落（これまでの研究では、過去の値から自己回帰を行ってきました。過去の値自体が正確である必要はありません。この方法では、当然累積誤差が拡大します）

時空間補完に適用された初期の研究では、通常、自己回帰移動平均 (ARMA) [8]、[9]、期待値最大化アルゴリズム (EM) を含むがこれらに限定されない、統計的および古典的な機械学習手法を使用して、時間的または空間的次元に沿って補完します。 [10]、[11]、k 近傍法 (KNN) [12]、[13] など。ただし、これらの方法は、時間的な滑らかさや時系列間の類似性などの強い仮定に基づいて欠損値を代入し、複雑さを無視します。時空間相関関係。深層学習の発展に伴い、最も効果的な時空間補完手法 [1]、[7]、[14] は、リカレント ニューラル ネットワーク (RNN) をコアとして使用し、隠れた状態を再帰的に更新して欠損値を補完し、時間的情報をキャプチャするようになりました。既存の観測結果との相関関係。それらの中には、多層パーセプトロン (MLP) による特徴相関 [1] や、グラフ ニューラル ネットワークによる異なる時系列間の空間的類似性 [7] を単純に考慮するものもあります。ただし、これらのアプローチではエラーが累積するという問題が避けられません。