GP-VAE：深度概率时间序列插补
机器学习
2020-02-21 v5 机器学习
摘要
带有缺失值的多变量时间序列在医疗和金融等领域十分常见，且近年来其数量与复杂度不断增长。这引发了一个问题：深度学习方法论能否在该领域超越经典的数据插补方法。然而，深度学习的朴素应用在给出可靠置信度估计方面存在不足，且缺乏可解释性。我们提出了一种用于降维与数据插补的新型深度时序潜变量模型。我们的建模假设简单且可解释：高维时间序列具有一个低维表示，该表示根据高斯过程随时间平滑演化。在存在缺失数据的情况下的非线性降维通过采用带有新颖结构化变分近似的 VAE 方法实现。我们证明，在计算机视觉与医疗领域的高维数据上，我们的方法优于若干经典及基于深度学习的数据插补方法，同时进一步提升了插补的平滑性并提供了可解释的 uncertainty 估计。
引用
@article{arxiv.1907.04155,
title = {GP-VAE: Deep Probabilistic Time Series Imputation},
author = {Vincent Fortuin and Dmitry Baranchuk and Gunnar Rätsch and Stephan Mandt},
journal= {arXiv preprint arXiv:1907.04155},
year = {2020}
}
备注
Accepted for publication at the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS 2020)