Aug, 2020

不规则采样时间序列的学习：缺失数据视角

PDF
TL;DR本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好，同时具有显著更快的训练速度。
irregularly-sampled time seriesmachine learning modelsencoder-decoder frameworkvariational autoencodersgenerative adversarial networks
发现论文，激发创造
  • 具有时序不规则性的多元时间序列的概率学习

    提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型，该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性，使用条件流表示来非参数地表示数据分布，并通过精心分解对数似然目标来监督该表示。

    Jun, 2023

  • 时间序列作为图像：用于不规则采样时间序列的视觉 Transformer

    本文旨在利用图像分类的方式，将不规则采样的时间序列转换为线图像，应用于医疗应用中的时间序列分类问题，大大简化了算法设计，同时在多个数据集上显示出良好的性能，特别是在具有挑战性的离散传感器设置中，绝对 F1 分数提高了 54.0％。

    Mar, 2023

  • 基于时间参数化的卷积神经网络用于不规则采样的时间序列

    不规则采样的多变量时间序列是各种应用领域中普遍存在的现象，本文提出了一种名为时间参数化卷积神经网络（TPCNN）的新型神经网络架构，特别适用于处理不规则时间序列数据，我们对 TPCNN 进行了插值和分类任务的实验评估并与其他最先进方法进行了比较，结果表明 TPCNN 模型不仅具有竞争性的性能，而且比其他方法更高效。同时，该架构利用可学习的时间函数的组合，提高了网络性能和序列输入的可解释性，在该领域中首次应用卷积操作。

    Aug, 2023

  • 不规则采样时间序列的多时间注意力网络

    本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

    Jan, 2021

  • 不规则采样的医学时间序列数据的深度学习方法综述

    本文综述了基于缺失数据和原始数据的深度学习方法在电子健康记录中的应用，总结了这些方法在数据恢复和下游任务方面的表现，并在四个医学数据集上比较了它们的效果。

    Oct, 2020

  • 用样条网络建立不规则采样时间序列模型

    使用样条函数将缺失数据插值处理，代替样本点，再利用神经网络进行分类和预测任务，具有高效的计算性能。

    Oct, 2022

  • 学习从有限观测的时空图中重建缺失数据

    该论文提出了一种基于注意力机制的体系结构，可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性，达到填充（imputation）缺失值的目的。

    May, 2022

  • 不规则采样时间序列的插值预测网络

    本文提出了一种新的深度学习架构，以解决稀疏和不规则采样的多变量时间序列的监督学习问题，该架构基于半参数插值网络，其允许在插值阶段跨多个时间序列维度共享信息，同时预测网络可以使用任何标准的深度学习模型。我们研究了该架构在分类和回归任务中的性能，并表明我们的方法优于一系列基线模型和最近提出的模型。本研究的动机是对在电子健康记录中的生理时间序列数据的分析，这些数据稀疏、不规则采样和多元。

    Sep, 2019

  • 使用递归神经网络对临床时间序列中的缺失数据进行建模

    本文采用简单的策略解决临床时间序列中缺失数据的问题，通过将缺失数据视为特征，并利用简单的二进制指示器处理，实现了儿科重症监护病房（PICU）临床时间序列的多标签诊断分类预测。同时，我们也展示了基于缺失数据模式的训练模型不仅能刻画缺失数据信号，同时显示该信号的预测性可以超过部分疾病的测试结果本身。

    Jun, 2016

  • 连续时间自编码器用于正常和非正常时间序列填补

    基于连续时间自回归神经网络（NCDEs）的连续时间自编码器（CTA）方法，在时间序列输入中表现出最佳的填补性能。

    Dec, 2023