闭环：用于提升表示中的不规则时间序列生成的协同进化 EM

arXiv:2611.14659v1 公告类型：新摘要：从不规则时间序列生成规则时间序列通常会简化为一次性插补：完成每个部分序列一次，冻结完成，并在生成的代理数据集上训练生成器。我们证明这种开环策略在结构上是有缺陷的。点插补器将不明确的缺失区域折叠为条件平均值，而随机插补器随着生成器的发展而变得陈旧；因此，绑定约束是迭代，而不是输入器设计。我们引入了一个共同进化的蒙特卡罗 EM 框架，该框架闭合了输入生成器循环。每个 E 步骤从当前生成器的后验中采样缺失值，每个 M 步骤在这些完成上重新训练生成器，保留无条件生成器训练。由于我们的扩散先验在提升的二维表示中运行，而观察则存在于时间序列空间中，因此我们进一步引入了提升表示的后验采样（PSLR），它在 E 步骤期间强制执行操作符一致的条件、不确定性保留和流形一致性。在 10 个数据集和 4 个腐败制度中，我们的方法实现了最先进的性能，判别得分比最强基线提高了 59%，预测得分提高了 15%，Context-FID 提高了 73%，特征相关误差提高了 71%。消融表明，与单步基线相比，我们的方法将平均判别得分降低了 73%，从而缩小了与干净数据预言机之间的大部分差距。代码可在 https://github.com/azencot-group/PSLR 获取。