面向规则和不规则时间序列插补的连续时间自编码器
机器学习
2024-06-25 v3 信息检索
摘要
时间序列插补是时间序列最基本任务之一。现实世界的时间序列数据集经常是不完整的（或具有缺失观测值的不规则），此时强烈需要插补。已经提出了许多不同的时间序列插补方法。最近的基于自注意力的方法展示了最先进的插补性能。然而，基于连续时间递归神经网络（即神经控制微分方程（NCDE））设计插补方法长期以来一直被忽视。为此，我们基于NCDE重新设计了时间序列（变分）自编码器。我们的方法称为连续时间自编码器（CTA），它将输入时间序列样本编码为连续隐藏路径（而非隐藏向量），并解码以重建和插补输入。在我们使用4个数据集和19个基线的实验中，我们的方法在几乎所有情况下都展示了最佳的插补性能。
引用
@article{arxiv.2312.16581,
title = {Continuous-time Autoencoders for Regular and Irregular Time Series Imputation},
author = {Hyowon Wi and Yehjin Shin and Noseong Park},
journal= {arXiv preprint arXiv:2312.16581},
year = {2024}
}
备注
Published as a WSDM'24 full paper (oral presentation)