本论文提出 BRITS,一种基于递归神经网络的缺失值填充方法,可以处理多个相关的时间序列缺失值,并可以推广到具有非线性动态的时间序列。在三个真实世界数据集上验证了其有效性。
May, 2018
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
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
通过修改DataWig方法,本研究开发了tsDataWig(时间序列DataWig),能够直接处理时间变量的值并填补复杂时间序列数据中的缺失值。通过使用模拟和三个不同的复杂实际时间序列数据集,证明了tsDataWig在时间序列数据填补方面优于原始DataWig和当前最先进的方法,并且由于不需要对数据缺失机制进行强假设,具有广泛的应用前景。该研究为具有数百万样本、高维变量和异构数据类型的挑战性时间序列数据的缺失值填补提供了宝贵的解决方案。
通过对最近提出的深度学习插补方法进行综合调查,本文首先提出了一种分类法,然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时,我们还进行了实证实验,研究了不同方法并比较了它们对下游任务的改进效果。最后,指出了未来研究多变量时间序列插补的开放问题。
Feb, 2024
利用NuwaTS框架将预训练语言模型(PLM)重新用于普通时间序列插补任务,通过设定特定嵌入来捕捉不完整时间序列的信息,提出对比学习方法以增强模型对不同遗漏模式的适应性,训练得到一对多的插补模型,并证明其在各种数据集和遗漏模式上胜过现有的特定领域模型。
May, 2024
该研究针对多变量时间序列数据中缺失值插补的问题,提出了一种名为MissNet的方法,利用状态空间模型实现时间依赖性和切换稀疏网络的互相关系,以增强插补的准确性。研究表明,MissNet在插补效果上显著超越了现有先进算法,并且提供了可视化的解释结果。
Sep, 2024