GRU-ODE-Bayes：对稀疏观测时间序列的连续建模
机器学习
2019-12-02 v2 机器学习
摘要
对真实世界多维时间序列进行建模可能尤其具有挑战性，当这些序列被稀疏观测时（即采样在时间和维度上均不规则）——例如临床患者数据的情况。为应对这些挑战，我们提出（1）基于近期神经常微分方程（Chen 等人，2018）构建的门控循环单元的连续时间版本，以及（2）处理稀疏观测的贝叶斯更新网络。我们将这两个想法结合于我们的 GRU-ODE-Bayes 方法中。随后我们证明所提方法对潜过程编码了连续性先验，并且可以精确表示由多维随机微分方程驱动的复杂过程的 Fokker-Planck 动力学。此外，实证评估表明我们的方法在合成数据与真实世界数据上均优于当前最优（state of the art）方法，并在医疗健康与气候预测中有应用。更重要的是，连续性先验被证明非常适用于小样本量情形。
引用
@article{arxiv.1905.12374,
title = {GRU-ODE-Bayes: Continuous modeling of sporadically-observed time series},
author = {Edward De Brouwer and Jaak Simm and Adam Arany and Yves Moreau},
journal= {arXiv preprint arXiv:1905.12374},
year = {2019}
}
备注
Accepted at NeurIPS 2019, Vancouver, Canada