Article · Finance & statistiques
Imputer une série temporelle en diffusant seulement le résidu
RDDMPI laisse un modèle déterministe reconstruire le signal principal et réserve la diffusion à l'incertitude résiduelle.
Ne pas faire reconstruire tout le signal
Une série temporelle multivariée peut manquer de nombreuses valeurs tout en conservant des dépendances entre variables. Les modèles de diffusion savent produire plusieurs complétions plausibles, mais leur réseau doit alors apprendre à la fois la structure dominante, la dynamique temporelle et la variabilité. RDDMPI propose de réduire cette charge.
Ce que les auteurs rapportent
Le modèle commence par une complétion déterministe. Il décompose ensuite le signal manquant en une base et un résidu, puis applique la diffusion conditionnelle directement dans l'espace des résidus. La génération est conditionnée par la complétion et sa représentation latente ; un mécanisme de fiabilité ajuste l'influence de la base selon la qualité de l'information disponible.
Les expériences rapportées sur plusieurs jeux de référence évaluent à la fois l'erreur de reconstruction et la qualité de quantification de l'incertitude. Les auteurs concluent que cette décomposition améliore les deux dimensions dans les configurations testées, avec des ablations sur le backbone déterministe, le conditionnement et les blocs de débruitage.
Lecture éditoriale : séparer correction et incertitude
Pour un pipeline de données, la séparation rend le diagnostic plus lisible. La base peut expliquer la tendance attendue ; le résidu doit représenter ce qui reste ambigu. Cette architecture ne supprime pas les données manquantes et ne transforme pas une complétion plausible en observation mesurée.
Un contrôle utile consiste à comparer la complétion centrale, plusieurs échantillons générés et l'intervalle obtenu sur les positions réellement masquées. Les utilisateurs doivent savoir quelles valeurs ont été observées, reconstruites ou tirées comme scénarios.
Limites et statut de la source
Les conclusions dépendent des jeux de données, du mécanisme de valeurs manquantes, du modèle déterministe préentraîné et du coût des itérations de diffusion. Une meilleure métrique moyenne ne prouve pas une calibration correcte dans un domaine critique. Le document est un preprint et ne garantit pas la fiabilité d'une imputation en production.
Source
« RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation », ArXiv 2609.11648v1 : résumé et preprint, PDF.