递归输入与状态估计：一种从含缺失数据时间序列中学习的通用框架
机器学习
2021-04-20 v1 人工智能
机器学习
摘要
含缺失数据的时间序列是机器学习重要场景中遇到的信号。一些最成功的既往建模方法基于循环神经网络，其通过对输入和先前状态进行变换以处理缺失观测，随后以标准方式处理变换后的信号。本文引入一个统一的框架——递归输入与状态估计（RISE），用于该通用方法，并将现有模型重新表述为该框架的特定实例。我们进而在RISE框架内探索额外的新型变体，以提升任意实例的性能。我们利用表示学习技术来学习RISE实例所用信号的潜在表示。我们讨论并开发了多种编码技术以学习潜在信号表示。我们在三个数据填补数据集上以各种编码函数对框架实例进行基准测试，观察到RISE实例总是受益于从数值可分解的数字中学习数值表示的编码器。
引用
@article{arxiv.2104.08556,
title = {Recursive input and state estimation: A general framework for learning from time series with missing data},
author = {Alberto García-Durán and Robert West},
journal= {arXiv preprint arXiv:2104.08556},
year = {2021}
}
备注
Published at ICASSP 2021