Sep, 2024

用于多变量时间序列缺失值插补的切换稀疏网络挖掘

HTML
PDF
TL;DR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。
发现论文，激发创造
  • BRITS: 双向循环插值用于时间序列

    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

  • 用图神经网络填补G_ap_s：多元时间序列插值

    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

  • 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

  • 时间序列健康数据深度填补缺失值：综述与基准评估

    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

  • 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

  • 基于位置感知图增强变分自编码器的网络时间序列插值

    本文提出了一种名为PoGeVon的模型，基于VAE，利用基于随机游走的节点位置嵌入和多任务学习的三阶段预测，对存在节点特征和图结构上的缺失值的网络化时间序列进行了精确的缺失值预测和图结构重构。

    May, 2023

  • 基于神经网络的时间序列数据中缺失值填补方法的开发——数据Wig再利用

    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。

    Aug, 2023

  • 多元时间序列插补的深度学习：综述

    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

  • MTSCI：一种条件扩散模型用于多变量时间序列一致性填充

    本研究解决了多变量时间序列中缺失值填充的一致性问题，提出了一种新颖的条件扩散模型MTSCI，该模型采用对比互补掩码来生成双视图并确保观测值和填充值之间的一致性。实验结果表明，MTSCI在各种缺失场景下的多变量时间序列填充任务中表现出优越的性能，具有重要的实际应用价值。

    Aug, 2024

  • 缺失值条件下的时间序列分类端到端模型

    本研究解决了时间序列分类中缺失数据的问题，传统的两阶段处理方法未能充分利用标签信息，影响了表现。我们提出了一种端到端的神经网络模型，将数据填补与特征学习统一在一个框架内，重点提高分类性能而非填补精度，实验证明该模型在处理缺失数据时优于现有最先进方法。

    Aug, 2024