面向多元时间序列中信息性缺失的神经网络常微分方程方法
机器学习
2020-05-22 v1 机器学习
摘要
在连续时间序列的数字处理中，信息性缺失不可避免，即不同时间点上一个或多个观测值缺失。此类缺失观测是使用深度学习处理时间序列的主要局限之一。实际应用（例如传感器数据、医疗、天气）生成的数据本质上是时间连续的，而信息性缺失在这些数据集中是常见现象。这些数据集通常包含多个变量，且这些变量中一个或多个常存在缺失值。这一特性使时间序列预测更具挑战性，且缺失输入观测对最终输出精度的影响可能十分显著。近期一种称为GRU-D的新型深度学习模型是应对时间序列数据信息性缺失的早期尝试。另一方面，一类称为Neural ODEs（常微分方程）的新型神经网络天然且高效于处理时间连续的时间序列数据。本文提出一种深度学习模型，其利用了GRU-D的有效填补与Neural ODEs的时间连续性。在PhysioNet数据集上执行的时间序列分类任务展示了该架构的性能。
引用
@article{arxiv.2005.10693,
title = {Neural ODEs for Informative Missingness in Multivariate Time Series},
author = {Mansura Habiba and Barak A. Pearlmutter},
journal= {arXiv preprint arXiv:2005.10693},
year = {2020}
}