用于不规则时间序列的异方差时序变分自编码器

不规则采样的时间序列通常出现在多个领域中，对标准深度学习模型构成了重大挑战。在本文中，我们提出了一种用于不规则采样时间序列概率插值的深度学习新框架，我们称之为异方差时序变分自编码器（HeTVAE）。HeTVAE 包含一个新颖的输入层来编码关于输入观测稀疏性的信息，一个时序 VAE 架构来传播由输入稀疏性引起的不确定性，以及一个异方差输出层来在输出插值中实现可变的不确定性。我们的结果表明，与一系列基线和传统模型，以及使用同方差输出层的最近提出的深度潜变量模型相比，所提出的架构能够更好地反映由稀疏和不规则采样引起的随时间变化的不确定性。