本文提出了一种新的成员推断攻击方法LBRM，旨在解决生成模型在时间序列插补中无意记忆训练数据的问题。该方法通过参考模型提高了攻击的准确性，未调优时AUROC提升约40%，调优后提升至约60%，有效应对隐私风险。

本研究提出了一种基于Mamba的扩散模型，解决了概率时间序列插补方法在计算复杂性和变量依赖性上的不足。通过状态空间模型模块，该方法在多个数据集和缺失场景中表现出色，展示了其在时间序列插补领域的潜力。

论文研究了用深度神经网络解决多元时间序列插补问题。通过在Transformer模型中加入投影时间注意力、全局自适应图卷积和Fourier插补损失，提升模型的适用性和可解释性。实验在交通和太阳能数据集上进行，结果表明低秩属性有助于模型的广泛应用。

本论文研究了使用深度神经网络解决多元时间序列插补问题。通过添加知识驱动的增强，包括投影时间注意力、全局自适应图卷积和Fourier插补损失，使得模型适用于多种插补问题。案例研究证明了该模型的可解释性和实证结果的有效性。