MissPath-FM: flow matching con distribuzioni a priori strutturate per serie temporali parzialmente osservate

Abstract degli autori

Il flow matching si è affermato come una potente alternativa ai modelli di diffusione per la modellazione generativa, ma il flow matching condizionale standard è fondamentalmente inadatto alle serie temporali parzialmente osservate: partire da una distribuzione gaussiana priva di informazioni costringe il modello a trasportare dal rumore al valore bersaglio anche le voci già osservate, sprecando capacità su regioni i cui valori sono già noti. Proponiamo MissPath-FM, un framework di flow matching per serie temporali incomplete che tiene conto delle osservazioni parziali e riprogetta la distribuzione a priori di partenza e il percorso di probabilità. MissPath-FM impiega distribuzioni a priori strutturate per la partenza, basate sull’interpolazione o sulle distribuzioni a posteriori dei processi gaussiani, per inizializzare il flusso vicino al segnale osservato. A queste abbina un percorso regolare che tiene conto dei dati mancanti e distribuisce il trasporto in modo asimmetrico tra regioni osservate e regioni mancanti. Conduciamo una valutazione sistematica su quattro dataset, quattro meccanismi di mancanza dei dati (MCAR, a blocchi, MNAR, irregolare), due percentuali di dati mancanti e tre lunghezze delle sequenze (T in {24, 48, 96}), per un totale di 48 configurazioni confrontate con otto metodi di riferimento. MissPath-FM ottiene i risultati migliori in 29 configurazioni su 32 con T=48 e in 45 su 48 complessivamente (93,8%). I nostri studi di ablazione rivelano una gerarchia progettuale che dipende dal contesto, in cui nessuna singola componente è sufficiente: quando i dati mancano in modo casuale, la distribuzione a priori di partenza produce un ampio miglioramento iniziale, ma quando mancano blocchi strutturati può risultare del tutto inefficace e il flusso appreso diventa indispensabile; il percorso che tiene conto dei dati mancanti apporta un ulteriore miglioramento del 12%-26% in tutti i contesti. Sul piano del meccanismo, le distribuzioni a priori strutturate riducono fino a 15 volte il trasporto nelle regioni osservate, concentrando il campo di velocità sulle voci effettivamente incerte. Pagina del progetto: https://zgp110.github.io/misspath-fm/