MADS：用于时间序列插补的调制式自解码 SIREN
机器学习
2023-07-04 v1 机器学习
摘要
时间序列插补在许多领域中仍是一项重大挑战，因为所建模数据的类型可能存在显著变异性。虽然传统插补方法通常对底层数据生成过程施加强假设，限制了其适用性，但受这些模型在一系列应用的分类与回归问题中展现出的强劲性能启发，研究者近来开始探究深度学习在该任务中的潜力。在这项工作中，我们提出 MADS，一种基于隐式神经表示的新型自解码时间序列插补框架。我们的方法利用了 SIREN 对信号和不规则数据的高保真重建能力，并将其与超网络架构结合，通过学习时间序列空间上的先验来实现泛化。我们在两个真实数据集上评估了模型，表明其在时间序列插补上优于最先进的方法。在 human activity 数据集上，它将插补性能提升了至少 40%，而在 air quality 数据集上，其在所有指标上均具竞争力。在合成数据上评估时，我们的模型在不同数据集配置下相对于所有基线取得了最佳平均排名。
引用
@article{arxiv.2307.00868,
title = {MADS: Modulated Auto-Decoding SIREN for time series imputation},
author = {Tom Bamford and Elizabeth Fons and Yousef El-Laham and Svitlana Vyetrenko},
journal= {arXiv preprint arXiv:2307.00868},
year = {2023}
}
备注
8 pages (inc. refs), 1 figure