用于出行日记合成的掩码扩散

基于摘要分析。本文研究家庭出行日记的合成与部分日记补全，提出 DiaryBridge：将一个家庭一天的完整日记表示为 token 序列，再用掩码扩散模型生成或补全，以避免分拆建模破坏跨片段依赖，以及固定长度裁剪截断家庭结构分布。 表示层面，序列包含车辆、人员和行程的计数 token，并用不同符号区分填充、隐藏、未观测和不适用位置。生成层面，DiaryBridge 从完全隐藏的序列出发，以任意顺序逐步解除掩码，逼近完整日记的分布；同一个训练后的模型可在任意已观测子集条件下执行合成或补全。其主要机制是保留异质、变长且相互关联的记录结构，而非将各类记录分别生成。 作者报告，在巴尔的摩地区 2017/2018 Regional Travel Survey 提取的真实数据上，DiaryBridge 生成的出行能够反映车辆可用性与就业状态，利用其他家庭成员已观测的日记恢复共同出行，并比所比较的学习型基线更好地再现按交通方式、出行目的和出发时段统计的总体需求。摘要未提供具体指标、提升幅度、基线名称或数据划分；损失形式、采样细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：将完整对象序列化、显式区分缺失语义并按任意观测子集补全的机制，可能为多通道 EEG 缺失数据建模提供参考，但原研究对象是离散化的家庭出行记录，并非神经信号。迁移需重新设计连续信号表示、通道与时间位置编码及缺失标记；低信噪比、跨被试差异和小数据可能使补全结果偏离真实神经活动。可检验的假设是在固定被试内数据划分与通道遮蔽协议下，该表示能否改善缺失通道重建并保留下游任务性能；这并非本文已验证的结论，已有 EEG 相关工作尚未检索确认。