SSD-TS: Exploring the Potential of Linear State Space Models for Diffusion Models in Time Series Imputation
Created by
Haebom
저자
Hongfan Gao, Wangmeng Shen, Xiangfei Qiu, Ronghui Xu, Jilin Hu, Bin Yang
개요
본 논문은 확률적 시계열 데이터 결측치 보완에 있어 기존 잡음 제거 확산 확률 모델(DDPM) 기반 방법론의 한계를 극복하는 새로운 접근법을 제시한다. 기존 DDPM 기반 방법론은 시계열 모델링의 시간 복잡도가 높고 시계열 데이터의 종속성을 효과적으로 처리하지 못하는 문제점을 가지고 있다. 이를 해결하기 위해 본 논문에서는 Mamba와 같은 상태 공간 모델(SSM)을 DDPM의 잡음 제거 모듈 백본으로 활용하고, 시계열 데이터 모델링을 위한 여러 SSM 기반 블록을 설계한다. 실험 결과, 제안된 방법론은 다양한 실제 데이터셋에서 최첨단 시계열 결측치 보완 성능을 달성함을 보여준다. 코드와 데이터셋은 공개되어 있다.
시사점, 한계점
•
시사점:
◦
상태 공간 모델(SSM)을 활용하여 DDPM 기반 확률적 시계열 결측치 보완의 시간 복잡도 문제와 시계열 종속성 처리 문제를 효과적으로 해결하였다.
◦
다양한 실제 데이터셋에서 최첨단 성능을 달성하여 방법론의 우수성을 검증하였다.
◦
오픈소스로 코드와 데이터셋을 공개하여 연구의 재현성과 확장성을 높였다.
•
한계점:
◦
제안된 방법론의 성능이 특정 유형의 시계열 데이터에 편향될 가능성이 있다.
◦
다양한 hyperparameter 설정에 대한 robustness 분석이 부족할 수 있다.
