用于具有缺失值的多元时间序列的循环神经网络
机器学习
2016-11-08 v2 神经与进化计算
机器学习
摘要
在医疗保健、地球科学和生物学等实际应用中的多元时间序列数据具有各种缺失值的特征。在时间序列预测及其他相关任务中，已注意到缺失值及其缺失模式常与目标标签相关，即所谓信息性缺失(informative missingness)。利用缺失模式进行有效插补并改善预测性能的工作十分有限。本文中，我们提出了新颖的深度学习模型，即GRU-D，作为早期尝试之一。GRU-D基于门控循环单元(Gated Recurrent Unit, GRU)这一最先进的循环神经网络。它采用缺失模式的两种表示，即掩码(mask)和时间间隔，并将它们有效整合进深度模型架构，从而不仅捕获时间序列中的长期时间依赖，还利用缺失模式取得更好的预测结果。在真实临床数据集(MIMIC-III、PhysioNet)和合成数据集上的时间序列分类任务实验表明，我们的模型达到了最先进的性能，并为更好地理解和利用时间序列分析中的缺失值提供了有益见解。
引用
@article{arxiv.1606.01865,
title = {Recurrent Neural Networks for Multivariate Time Series with Missing Values},
author = {Zhengping Che and Sanjay Purushotham and Kyunghyun Cho and David Sontag and Yan Liu},
journal= {arXiv preprint arXiv:1606.01865},
year = {2016}
}