DiffImp：以双向 Mamba 为骨干的高效概率时间序列插补扩散模型

基于摘要分析。DiffImp 研究概率时间序列插补，旨在兼顾缺失值估计的不确定性、序列建模效率，以及双向时间依赖和变量间关系的建模。其核心方法是将 Mamba 引入去噪扩散概率模型（DDPM）的去噪骨干，并设计基于状态空间模型（SSM）的模块处理双向依赖与变量间关系。 机制与创新：摘要将现有 DDPM 插补方法的瓶颈概括为去噪骨干的序列建模复杂度，以及对双向依赖和变量间关系的处理能力。DiffImp 针对这两点改造去噪模块，而非仅提供确定性的缺失值预测。具体双向建模方式、变量交互结构、扩散训练目标、观测值条件化与推理采样流程尚未验证，不能由 Mamba 名称推断其实现或实际复杂度。 结果与证据边界：作者报告，方法在多个数据集、不同缺失情形和缺失比例下达到最先进的插补结果。摘要未提供数据集名称、划分、对照基线、指标数值或运行成本，因此尚不能量化质量与效率收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 可表示为具有时间依赖和通道间关系的多变量序列，该机制可能适用于缺失片段插补，并提供不确定性估计；这不等于已验证的 BCI 解码提升。可复用部分是扩散去噪与双向序列建模框架，需核对并改造通道组织、缺失掩码和观测条件化方式。离线插补可利用双向上下文，在线 BCI 则需限制未来信息访问。低信噪比、跨被试差异、通道配置变化及小数据可能造成插补失真或不确定性失准。 一个可检验的小实验是在固定 EEG 数据划分下，对完整测试片段施加随机缺失与连续片段缺失，比较 DiffImp 与简单插值、现有概率插补基线的重建误差、不确定性校准和推理成本，再检验插补是否影响下游任务表现。该实验仅为迁移验证建议；已有 EEG 相关工作尚未检索确认。