Sep, 2023

无需插补的不规则采样时间序列建模

PDF
TL;DR使用 SLAN（Switch LSTM Aggregate Network）模型，不需要填充缺失值即可对不规则采样时间序列（ISTS）进行建模，通过动态调整模型架构、利用不规则信息和全局摘要状态来实现对每个传感器的建模。
irregularly-sampled time seriesmissing valuesslanlstmsglobal summary state
发现论文，激发创造
  • 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

  • 不规则采样时间序列的学习：缺失数据视角

    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。

    Aug, 2020

  • 使用半监督学习进行时间序列插值：填补丢失数据的空缺

    本文提出了一种半监督时间序列插值方法 ST-Impute，该方法基于稀疏自注意力模型并结合上下游任务的标签数据和无标签数据，在时间序列插值质量和下游任务结果上优于现有的监督和非监督方法。

    Apr, 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

  • 基于隐式神经表示的时间序列连续建模：插值与预测

    该研究提出了一种使用隐式神经表示法的时间序列建模方法，能够有效捕捉时间序列的连续性，并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案，并通过实验表明，在预测和填充任务中取得了最先进的性能，能够灵活处理各种具有挑战性的场景。

    Jun, 2023

  • 一种基于自监督学习的方法用于聚类多变量时间序列数据中的缺失值 (SLAC-Time): 一种用于创伤性脑损伤表型化的应用

    提供了一种名为 SLAC-Time 的自监督学习基于 Transformer 聚类多元时间序列数据的方法，该方法通过利用时间序列预测作为代理任务来学习更健壮的时间序列表示，并使用 K-means 进行聚类，实验表明，该方法在聚类 TBI 患者中表现优异，可以用于开发有针对性的临床试验和治疗策略。

    Feb, 2023

  • 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

  • 自监督变压器用于稀疏和不规则采样的多元临床时间序列

    提出了一种基于自监督变压器的多元时间序列数据建模方法，使用连续值嵌入技术对连续时间和变量值进行编码，避免了聚合或插值旧方法带来的问题，并利用自监督学习处理有限标记数据情况下的预测问题。在真实的多元临床时间序列基准数据集上进行了实验证明该方法的正确性。

    Jul, 2021

  • 基于时空依赖的交通数据插值的深度学习框架

    本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

    Apr, 2023

  • TE-ESN：基于非均匀采样时间序列数据的时间编码回声状态网络预测

    提出了一种新的时间编码和模型结构，分别是 Time Encoding 机制和 Time Encoding Echo State Network (TE-ESN)，该结构能够处理不规则时间序列，同时可以将长短期记忆和串联处理融入到模型中，用于更准确的预测。在一个混沌系统和三个实际数据集的实验证明，TE-ESN 比所有基线的表现更好，并具有更好的遗传特性。

    May, 2021