CINDI: 条件付き補完とフローを用いた電力網データのノイズデータ整合性

要旨：現実世界の多変量時系列データは、特に電力網のような重要インフラにおいて、ノイズや異常によって後続のタスクの性能を低下させることがよくあります。標準的なデータクリーニング手法は、しばしば分離された戦略に依存します。これには、1つのモデルでエラーを検出し、別のモデルでそれを補完することが含まれます。このようなアプローチはデータの全結合分布を捉えきれず、予測不確実性を無視してしまう可能性があります。本研究は、条件付き補完とノイズデータ整合性（CINDI）という、複雑な時系列データのデータ整合性を回復するよう設計された教師なし確率的フレームワークを導入します。分断されたアプローチとは異なり、CINDIは条件付き正規化フローに基づく1つのエンドツーエンドシステムとして、異常検知と補完を統合します。データの正確な条件付き尤度をモデリングすることにより、このフレームワークは低確率セグメントを識別し、統計的に一貫した置換を反復的にサンプリングします。これにより、CINDIは学習済みの情報を効率的に再利用しつつ、システムの基礎となる物理的および統計的性質を保持します。本フレームワークは、ノルウェーの電力配電事業者からの実世界のグリッド損失データを用いて評価しますが、方法論は任意の多変量時系列ドメインへ一般化できるよう設計されています。結果は、CINDIが競合ベースラインと比較して堅牢な性能を示し、ノイズの多い環境での信頼性維持のためのスケーラブルなソリューションを提供することを示しています。