RDDMPI：基于残差扩散的多变量时序概率插补框架

多变量时间序列填补（MTSI）旨在恢复由多个相互依赖的变量构成的时序数据中的缺失值。该问题在医疗监测、交通网络和能源系统等现实应用中至关重要。近期基于扩散的方法通过学习利用迭代去噪生成缺失值，在概率填补方面展现出了巨大潜力。然而，大多数现有方法直接在原始数据空间中进行扩散，要求去噪网络同时捕获全局结构、时间动态和随机波动性。这导致生成任务变得过于复杂，尤其是在现代确定性填补器已经能够提供准确初始重构的情况下。为了解决这一局限，我们提出了 RDDMPI，这是一种直接在残差空间中运行的条件残差扩散框架。我们没有直接对完整的缺失信号进行建模，而是将概率填补重新表述为“基线-残差”分解，其中预训练模型用于捕获主导信号，扩散过程则用于对残差不确定性进行建模。为了更好地利用确定性引导，本模型将反向去噪过程建立在基线补全信号及其潜在表示的基础之上，同时采用可靠性感知条件机制在残差生成过程中自适应地控制基线信息的影响。这种方案简化了扩散学习的目标，使其能够专注于结构化校正项，而非重构完整信号。在多个基准数据集上的实验表明，RDDMPI 能够一致性地提升重构精度和不确定性量化能力。