面向不规则采样时间序列预测的功能性潜在动力学
机器学习
2024-10-04 v2
摘要
在医疗、气候和天文学等多个实际应用中，经常观测到带有缺失值的不规则采样时间序列。它们对仅在完全观测且规则采样时间序列上运行的标准深度学习模型构成了重大挑战。为了捕捉不规则时间序列的连续动力学，许多模型依赖于在隐状态中求解常微分方程（ODE）。这些基于ODE的模型由于顺序操作和复杂的ODE求解器，往往运行缓慢且需要大量内存。作为复杂ODE模型的替代方案，我们提出了一类称为功能性潜在动力学（FLD）的模型。我们不求解ODE，而是使用存在于所有时间点的简单曲线来指定模型中的连续潜在状态。这些曲线的系数仅从时间序列中的观测值学习，忽略缺失值。通过大量实验，我们证明FLD在减少运行时间和内存开销的同时，实现了比最佳ODE模型更好的性能。具体而言，与性能最佳的预测模型相比，FLD推断预测所需的时间少一个数量级。
引用
@article{arxiv.2405.03582,
title = {Functional Latent Dynamics for Irregularly Sampled Time Series Forecasting},
author = {Christian Klötergens and Vijaya Krishna Yalavarthi and Maximilian Stubbemann and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2405.03582},
year = {2024}
}