时间序列插补的因果视角：关于缺失机制的一些识别结果
机器学习
2025-05-13 v1 机器学习
摘要
时间序列插补是最具挑战性的问题之一，在医疗保健和物联网等各个领域都有广泛的应用。现有方法主要旨在从观测到的时间序列数据中建模时间潜在依赖关系和生成过程。在现实场景中，时间序列数据中可能出现不同类型的缺失机制，如随机缺失（MAR）和非随机缺失（MNAR）。然而，现有方法常常忽略上述缺失机制之间的差异，并使用单一模型进行时间序列插补，这很容易因机制不匹配而导致误导性结果。在本文中，我们通过探索不同的缺失机制（简称 DMM）并据此定制解决方案，提出了一个时间序列插补问题的框架。具体来说，我们首先分析了不同机制下具有时间潜在状态和缺失原因变量的数据生成过程。随后，我们通过变分推断对这些生成过程进行建模，并通过基于归一化流的神经架构估计潜在变量的先验分布。此外，我们在非线性独立成分分析框架下建立了可识别性结果，以表明潜在变量是可识别的。实验结果表明，我们的方法在具有不同缺失机制的各种数据集上超越了现有的时间序列插补技术，证明了其在实际应用中的有效性。
引用
@article{arxiv.2505.07180,
title = {Causal View of Time Series Imputation: Some Identification Results on Missing Mechanism},
author = {Ruichu Cai and Kaitao Zheng and Junxian Huang and Zijian Li and Zhengming Chen and Boyan Xu and Zhifeng Hao},
journal= {arXiv preprint arXiv:2505.07180},
year = {2025}
}