GiFlow: новый метод восполнения пропусков в пространственно-временных данных превосходит аналоги

Учёные разработали новый метод GiFlow (Graph-Informed Flow Matching) для восстановления пропущенных данных в пространственно-временных системах. Исследование опубликовано на arXiv и описывает подход, который решает проблему накопления ошибок, характерную для традиционных методов машинного обучения.

Пропуски данных — частая проблема в таких областях, как мониторинг качества воздуха и управление городским трафиком. Существующие методы на базе рекуррентных и графовых нейронных сетей используют итеративное распространение информации, что со временем приводит к накоплению ошибок. Недавние diffusion-модели уменьшают эту проблему, но требуют итеративной выборки и опираются на априорное распределение Гаусса, не учитывающее специфику задачи.

GiFlow заменяет гауссово априорное распределение на графоинформированное, построенное с помощью пространственно-временной фильтрации наблюдаемых сигналов. Это позволяет лучше согласовать исходное распределение с целевым и упрощает траекторию генерации.

Поле потока в GiFlow параметризуется гибридной моделью, объединяющей пространственное внимание, временное внимание и пространственно-временное распространение. Такая архитектура позволяет совместно моделировать пространственные и временные зависимости.

Эксперименты на синтетических и реальных наборах данных показали, что GiFlow превосходит современные подходы к пространственно-временному восполнению данных. Код метода доступен в открытом репозитории на GitHub, что облегчает его использование и развитие другими исследователями.

Разработка может найти применение в системах мониторинга загрязнения воздуха, прогнозировании дорожного движения, а также в других областях, где требуется работа с неполными пространственно-временными данными.