GP-VAE:深度概率时间序列插值
本文提出了一个新颖的概率框架,用于处理具有缺失值的多变量时间序列数据的分类问题。通过训练两个部分的模型,一个用于缺失值填补的深度生成模型,一个用于分类的分类器,能够有效地建模填补缺失值带来的不确定性,并且利用新的正则化技术解决了合并模型可能产生的无意义填补解的问题,通过在真实世界数据上进行广泛实验,证明了我们方法的有效性。
Aug, 2023
通过对最近提出的深度学习插补方法进行综合调查,本文首先提出了一种分类法,然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时,我们还进行了实证实验,研究了不同方法并比较了它们对下游任务的改进效果。最后,指出了未来研究多变量时间序列插补的开放问题。
Feb, 2024
这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长,我们为传统的 Transformer 模型添加了三项知识驱动的增强,包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构,使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性,并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发,从而解决广泛的时空插补问题。
Dec, 2023
本文以五个时间序列健康数据集和六个实验条件为基准,展开数据中心的方法来评估最先进的深度插补方法,发现没有单一的插补方法在所有五个数据集上表现最佳,插补表现取决于数据类型,变量统计,缺失率和类型,这表明在选择多变量时间序列数据的缺失值插补方法时要考虑数据的特定情况。
Feb, 2023
采用基于主题的训练方法和深度生成模型建立 LSTM-VAE 和 LSTM LVAE 模型来生成缺失数据,并将使用生成数据训练的模型与原始数据训练的模型进行比较,结果表明使用 LSTM-VAE 和 LSTM-LVAE 生成的数据能够提高原始模型的性能约 50%。
Feb, 2023
本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值,通过信息传递学习时空表示,实现修复缺失数据,并在真实基准测试中表现出超过 20% 的平均绝对误差改善。
Jul, 2021
该研究提出了一种称为长期 VAE(L-VAE)的方法,通过使用多输出加性高斯过程(GP)先验来扩展 VAE 的能力,从而实现在辅助协变量信息的约束下学习结构化低维表示, 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享和随机效应,产生结构化低维表示,剥离个体协变量或其相互作用的影响,以及实现高度准确的预测性能。
Jun, 2020
我们提出了一个灵活高效的潜变量模型,利用高斯过程捕捉样本与相关缺失模式之间的时间相关性,并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。
Feb, 2024
本文提出了一种名为 PoGeVon 的模型,基于 VAE,利用基于随机游走的节点位置嵌入和多任务学习的三阶段预测,对存在节点特征和图结构上的缺失值的网络化时间序列进行了精确的缺失值预测和图结构重构。
May, 2023
本研究提出一种基于 GRU 的深度学习模型 GRU-D,利用缺失模式中的缺失值及其时间间隔,成功地捕获时间序列中的长期时间依赖关系,提高了时间序列分类任务的预测性能,并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。
Jun, 2016