DiffImp：基于双向 Mamba 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，旨在估计缺失值及其不确定性，并缓解现有去噪扩散概率模型（DDPM）的序列建模计算开销，以及对双向依赖和变量间关系建模不足的问题。 方法以状态空间模型 Mamba 作为 DDPM 的去噪骨干，并设计用于双向建模和变量间关系理解的 SSM 模块。其核心思路是将高效序列建模机制引入扩散插补，同时适配插补任务对缺失位置前后上下文及多变量关联的需求。摘要未说明具体模块连接、条件输入、损失函数、采样流程与复杂度测量方式，这些细节尚未验证。 作者报告，该方法在多个数据集、不同缺失场景和缺失比例下取得领先的时间序列插补结果；但摘要未列出数据集名称、划分协议、对照方法、评价指标或数值，因此尚不能量化其性能与效率收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 缺失片段恢复可表述为多变量时间序列插补，双向时序建模与变量间关系模块可能分别用于利用缺失片段两侧信号及通道间关联。该假设依赖可用的多通道观测与合理的缺失机制；扩散去噪骨干可作为候选复用模块，而通道表示、观测条件和缺失掩码处理需结合全文确认并适配。低信噪比、跨被试差异、通道配置变化及小数据训练均可能削弱效果，恢复波形也未必保留任务相关信息。一个可证伪的小实验是在固定被试划分下，对完整 EEG 人工施加随机缺失与连续片段缺失，比较统一协议下的插补误差、不确定性校准及下游任务表现。已有 EEG 相关工作尚未检索确认。