基于位置感知图增强变分自编码器的网络时间序列插补
机器学习
2023-06-27 v2 人工智能
摘要
多元时间序列（MTS）插补是近年来被广泛研究的问题。现有方法可分为两类，包括 (1) 主要关注时间序列特征的深度循环或生成模型，以及 (2) 基于图神经网络（GNNs）的模型，其利用 MTS 固有图结构的拓扑信息作为关系归纳偏置进行插补。然而，这些方法要么忽略拓扑信息，要么假设图结构固定且准确已知。因此，它们在更具挑战性的 MTS 数据（如网络时间序列（NTS），其底层图不断变化且可能存在缺失边）中未能充分利用图动态以实现精确插补。本文提出一种新方法克服这些局限。首先，我们定义了 NTS 上的插补问题，其节点时间序列特征与图结构均含缺失值。然后，我们设计了一个名为 PoGeVon 的新模型，利用变分自编码器（VAE）预测节点时间序列特征与图结构上的缺失值。特别地，我们在编码器中提出一种基于重启随机游走（RWR）的节点位置嵌入，相比基于消息传递的图神经网络（GNNs）具有可证明的更高表达能力。我们进一步从多任务学习视角设计了一个带 3 阶段预测的解码器，以互为补充地插补时间序列与图结构中的缺失值。实验结果证明了我们的模型相对于基线的有效性。
引用
@article{arxiv.2305.18612,
title = {Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders},
author = {Dingsu Wang and Yuchen Yan and Ruizhong Qiu and Yada Zhu and Kaiyu Guan and Andrew J Margenot and Hanghang Tong},
journal= {arXiv preprint arXiv:2305.18612},
year = {2023}
}
备注
KDD 2023