DualDynamics：协同隐式与显式方法实现鲁棒的不规则时间序列分析
机器学习
2026-04-03 v7 人工智能
摘要
现实世界的时间序列分析在处理不规则和不完整数据时面临重大挑战。虽然基于神经常微分方程（NDE）的方法已展现出潜力，但它们存在表达能力有限、可扩展性问题以及稳定性方面的困扰。相反，神经常微分方程流（Neural Flows）提供了稳定性，但在处理不规则数据时表现不佳。我们引入'DualDynamics'，一个协同结合NDE方法与Neural Flow方法的新颖框架。该方法在增强表达能力的同时平衡了计算需求，解决了现有技术的关键局限。我们展示了DualDynamics在多种任务中的有效性：对数据集偏移鲁棒性的分类、不规则采样序列分析、缺失数据插值以及部分观测下的预测。我们的结果一致优于最先进的方法，表明DualDynamics具有显著推进不规则时间序列分析的潜力。
引用
@article{arxiv.2401.04979,
title = {DualDynamics: Synergizing Implicit and Explicit Methods for Robust Irregular Time Series Analysis},
author = {YongKyung Oh and Dong-Young Lim and Sungil Kim},
journal= {arXiv preprint arXiv:2401.04979},
year = {2026}
}
备注
Published at the 39th Annual AAAI Conference on Artificial Intelligence (AAAI 2025). https://ojs.aaai.org/index.php/AAAI/article/view/34173