RDIS：用于不完整时间序列数据的随机丢弃插补与自训练方法
机器学习
2024-11-21 v2 机器学习
摘要
具有缺失值的时间序列数据在医疗、气象和机器人等众多领域中经常遇到。插补旨在用有效值填补缺失值。大多数插补方法由于缺失值没有真值而隐式地训练模型。本文中，我们提出随机丢弃插补与自训练 (RDIS)，一种用于时间序列数据插补模型的新型训练方法。在 RDIS 中，我们通过对不完整数据中的观测值施加随机丢弃来生成额外的缺失值。我们可以通过填补随机丢弃的值来显式训练插补模型。此外，我们采用带有伪值的自训练以利用原始缺失值。为提高伪值的质量，我们设定阈值并通过计算熵对其进行过滤。为验证 RDIS 在时间序列插补上的有效性，我们将 RDIS 测试于多种插补模型，并在两个真实世界数据集上取得了具有竞争力的结果。
引用
@article{arxiv.2010.10075,
title = {RDIS: Random Drop Imputation with Self-Training for Incomplete Time Series Data},
author = {Tae-Min Choi and Ji-Su Kang and Jong-Hwan Kim},
journal= {arXiv preprint arXiv:2010.10075},
year = {2024}
}
备注
8 pages, 3 figures, 2 tables