利用迭代填补网络恢复缺失传感器数据
机器学习
2017-11-22 v1 机器学习
摘要
传感器数据在机器学习任务中发挥着重要作用，是对通常代价高昂的人工标注数据的补充。然而，由于系统性或意外误操作，传感器数据经常带有各种缺失值，给后续分析与可视化带来相当大的困难。已有工作通过在观测特征空间中插值来填补缺失值，而未考虑任何潜在（隐藏）动态。相比之下，我们的模型通过一种新颖的迭代填补网络（Iterative Imputing Network）总结每次观测的上下文，从而捕捉潜在的复杂时间动态，因此在北京空气质量与气象基准数据集上显著优于已有工作。在不同缺失率的情况下，我们的模型也始终优于其他方法。
引用
@article{arxiv.1711.07878,
title = {Recover Missing Sensor Data with Iterative Imputing Network},
author = {Jingguang Zhou and Zili Huang},
journal= {arXiv preprint arXiv:1711.07878},
year = {2017}
}