FADTI：面向多元时间序列插补的傅里叶与注意力驱动扩散框架，已获ICDM 2026接收
该模型通过傅里叶偏置投影模块在去噪过程中注入可学习的频域偏置，在多个基准上提升了高缺失率和结构化缺失模式下的插补精度、不确定性估计和采样效率，并引入了一个新的生物学插补基准。
AI解读：传统扩散或Transformer模型补全时间序列时主要在时域做文章，遇到规律性片段整段缺失或数据被掩膜污染的情况，频域信息难以恢复。FADTI在这类测度下嵌入傅里叶偏置投影模块，去噪时把中间状态投到傅里叶基上注入可学习的频偏，避免直接估计缺失或补零后的谱，并用DFT、STFT、FSST三种实现覆盖全局周期、局部时频变化和非平稳振荡。对做医疗监护、交通流量建模或生物信号处理的团队，这意味可以在缺失率较高或缺失模式带有结构时获得更稳的插补和更可靠的不确定性区间，同时采样更快。论文已附基准并开源代码，但目前只有作者自报的实验结果，尚未上线完整代码；实际收益还依赖公开复现和你自身数据上的验证。
一项新研究提出FADTI（Fourier- and attention-driven diffusion），用于多元时间序列插补，论文已被 2026 年IEEE国际数据挖掘大会（ICDM 2026）接收。
FADTI在去噪过程中向中间隐藏状态注入可学习的频率感知偏置，以处理传感器故障和不规则采样造成的缺失值，研究覆盖医疗、交通预测和生物建模等应用场景。
方法核心：Fourier Bias Projection模块
FADTI引入Fourier Bias Projection（FBP）模块，在扩散模型的去噪步骤中把中间隐藏状态投影到傅里叶基上，给出频域偏置，避免直接从被掩膜或零填充的输入估计频谱。
FBP支持三种傅里叶变换实例化：DFT（离散傅里叶变换），捕捉全局周期性；STFT（短时傅里叶变换），捕捉局部时频变化；FSST（傅里叶同步压缩变换），捕捉非平稳振荡模式。
FBP与自注意力、门控卷积耦合，将频域引导、时间依赖建模与概率去噪整合进同一框架。
实验设置与结果
作者在多个基准上评估了FADTI，包括一个新构建的生物信息插补基准。结果显示，FADTI在插补精度、不确定性估计和采样效率上均优于现有Transformer和扩散基方法，尤其在高缺失率和结构化缺失模式下提升更明显。
论文为 10 页、7 张图，arXiv编号 2512.15116；代码已发布在GitHub（https://github.com/RazeenLI/FADTI）。