Jul, 2023

MADS：用于时间序列插值的调制自编码 SIREN

PDF
TL;DR本研究基于隐式神经表示提出了一种新型自编码框架 MADS，用于时间序列插值，该模型在人类活动和空气质量数据集上表现优异，优于现有的时间序列插补算法，平均排名仅次于理论最优模型。
time series imputationdeep learningimplicit neural representationauto-decoding frameworkstate-of-the-art methods
发现论文，激发创造
  • MIDA: 使用去噪自编码器进行多重插补

    本文提出一种基于过完备去噪深度自编码器的多重插补模型，可以处理不同的数据类型、缺失模式、缺失比例和分布，评估表明我们的模型在多种条件下显著优于现有的最先进方法，同时改善了末端的线性分析。

    May, 2017

  • MAD：自监督多元时间序列遮蔽异常检测任务

    本文提出了一种名为 MAD 的新型自监督学习任务，用于多变量时间序列异常检测。该方法通过随机掩蔽输入数据一部分，使得模型在训练中通过学习预测掩蔽的数据能力，比传统的左到右预测任务取得更好的异常检测结果。

    May, 2022

  • 面向异构时间序列插值的不确定性感知深度注意力循环神经网络

    通过采用自注意力机制和有效的残差组件，我们提出了深度注意力循环填补（DEARI）方法，同时估计异质多元时间序列中的缺失值及其相关的不确定性，并通过一种新颖的贝叶斯边缘化策略将其转化为贝叶斯神经网络，以产生随机 DEARI，并在真实世界数据集上的不同任务中超越了 SOTA，包括空气质量控制、医疗保健和交通。

    Jan, 2024

  • SASDIM：一种自适应噪声缩放扩散模型用于空间时间序列填充

    提出了一种自适应噪声缩放扩散模型（SaSDim）来更有效地进行空间时序插补，利用新的损失函数对噪声进行缩放，提出跨时空全局卷积模块以更有效地捕捉动态时空依赖关系。通过与当前最先进的基线进行比较，在三个真实世界数据集上广泛进行的实验证实了 SaSDim 的有效性。

    Sep, 2023

  • 掩蔽自动编解码器是一种有效的多任务视觉通才

    通过引入双向注意力机制、并行解码框架和掩码序列建模方法，设计了一种名为 MAD 的多任务视觉通用模型，用于统一各种视觉任务，实验证明 MAD 在性能和推理效率方面优于自回归模型，并在与任务专用模型相比获得竞争力的准确性。

    Mar, 2024

  • 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

  • MagiNet：面向不完整交通数据的掩码感知图填充网络

    我们提出了一种名为 MagiNet 的 Mask-Aware Graph imputation Network，该方法旨在通过学习不完整数据的潜在表示，并捕捉不完整交通数据中固有的空间和时间依赖性，来填补缺失值。在五个真实世界交通数据集上的广泛实验证明，我们的方法在均方根误差（RMSE）和平均绝对百分比误差（MAPE）方面优于现有最先进的填补方法，平均改进了 4.31% 和 3.72%。

    Jun, 2024

  • 基于自注意力机制的时间序列填补网络：STING

    本文提出了一种新的针对多元时间序列数据的缺失值填补方法（STING），它利用了生成对抗网络和双向循环神经网络来学习时间序列的潜在表示，并引入一种新的自注意力机制来捕捉整个序列的加权相关性，实验结果表明，STING 在多个真实数据集上表现出比现有技术更高的填补精度和增强任务能力。

    Sep, 2022

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 时间序列图像化以提高分类和插补能力

    本研究利用深度学习，将时间序列编码为各种类型的图像，并使用卷积神经网络对其进行分类，其中采用 GASF/GADF 和 MTF 技术进行编码。通过在 20 个标准数据集上使用 TILE CNNs 进行学习，本方法取得了与当前九种最佳时间序列分类方法具有高度竞争力的结果。同时，本文还使用 DA 对经过编码的 GASF 图像进行降噪自编码器的培训，并在 4 个标准数据集和一个合成复合数据集上证明，使用 GASF 图像进行插值可以将测试数据的均方误差降低 12.18％-48.02％。分析了由 Tibed CNNs 和 DAs 学习到的特征和权重，解释了本方案的工作原理。

    Jun, 2015