多元时间序列插补的深度学习:综述
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
本文提出一种新的深度顺序潜变量模型,通过高斯过程在时间上平滑演化的抽象低维表示来实现缺失数据的非线性降维和数据插值,旨在解决在医疗和金融等领域中常见的缺失数据问题。我们的方法优于传统的和基于深度学习的数据插值方法,并提供可解释的不确定性估计。
Jul, 2019
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
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
本文提出了一种简单的新方法,即基于时间依赖的迭代插补(TDI),用于填补临床数据中的缺失值,该方法针对多变量和纵向数据,并基于数据的临床模式(包括缺失率和测量频率)引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COVID-19 住院病例进行的测试表明,TDI 可提高风险预测的准确性。
Apr, 2023
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
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
本文提出了一个基于神经网络的端到端模型,可以在存在缺失值的时间序列数据上,同时实现预测并融合缺失值,相比现有方法表现出更好的综合性能。
Jun, 2023