利用预测时间下一节点以及基于时间平滑性的模型选择度量,我们提出了一种能够减轻 VAE 学习虚假特征,并能在合成数据集中准确恢复潜在因素的 VAE 架构。
Dec, 2023
该研究提出了一种基于空间 - 时间蒙面自编码器(STMAE)的多元时间序列(MTS)预测框架,利用蒙面自编码器来增强空间 - 时间基线模型的性能,并通过在多个 MTS 基准上进行广泛实验来证明其在提高 MTS 预测能力方面的潜力。
Sep, 2023
本文提出了用于处理异构数据的异构纵向变分自编码器,该模型通过建立生成模型和推断网络实现了高维数据的有效推断和处理,并使用连续、计数、分类和序数数据的似然模型来处理缺失值和实现预测。通过模拟和临床数据的实验验证了模型的有效性和预测精度。
Apr, 2022
本研究提出了一种名为 RAE-MEPC 的无监督多变量时间序列异常检测模型,利用多分辨率集成和预测编码学习具有非线性时间动力学的正常行为的信息丰富的表示,实验结果表明该模型在多变量时间序列异常检测方面胜过基准模型。
Feb, 2022
本文提出了一种贝叶斯时间分解(BTF)框架,用于在存在缺失值的情况下对多维时间序列进行建模,通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中,该框架可以表征大规模时间序列数据中的全局和局部一致性,并开发了有效的 Gibbs 采样算法进行模型推断和预测,在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。
Oct, 2019
本文提出了模型,这是一种基于深度学习的概率时间序列预测结构,具有内在可解释性。我们通过多个数据集和性能度量进行实验,并经验证明,我们的模型不仅具有可解释性,而且还提供了与最先进的概率时间序列预测方法相当的性能。此外,我们证明了解释感兴趣的随机过程的参数可以为多个应用领域提供有用的见解。
Jan, 2023
本文提出了一种基于变分自动编码器的新型体系结构,可用于进行时序数据的合成生成,具有可解释性,能够编码领域知识,训练时间较短。实验表明,该方法在数据相似度和预测性方面均表现优异,依然能够准确地呈现原始数据的时态属性,并且对于下一步预测具有显著的改善效果。最后,该模型可以将特定领域的时间模式融入到生成模型中,提供可解释性的输出。
Nov, 2021
本文提出了一种训练程序,它基于辅助损失函数来控制潜变量所捕获的信息以及留给自回归解码器的信息,该方法可以实现任意强大的自回归解码器,达到具有潜变量的模型中最先进的定量性能,并生成定性令人信服的样本。
Nov, 2017
通过利用大型语言模型,研究利用自回归时间序列预测模型(AutoTimes)处理时间序列数据,该模型利用基于语言建模学习的通用令牌转换,具备灵活的系列长度和较高的性能。
Feb, 2024
结合深度变分自编码器(VAEs)和自监督学习(SSL)的新型生成框架,解决了数据稀缺导致的潜在空洞问题,提高了基于重建的时序异常检测方法的稳健性。
Jan, 2024