RINS-T: 面向时间序列线性逆问题的鲁棒隐式神经求解器
机器学习
2025-10-21 v1 信号处理
机器学习
摘要
时间序列数据常受到各种形式的损坏影响，如缺失值、噪声和异常值，这对预测和异常检测等任务构成重大挑战。逆问题通过利用对其底层结构的先验知识从受损数据中恢复原始信号。虽然深度学习方法在该领域展现出潜力，但往往需要大量预训练且在分布迁移下难以泛化。本文提出RINS-T（Robust Implicit Neural Solvers for Time Series Linear Inverse Problems），一种无需预训练数据即可实现高恢复性能的 novel 深度先验框架。RINS-T将神经网络作为隐式先验，集成鲁棒优化技术，抗异议能力强，放宽对高斯噪声假设的依赖。为进一步提升优化稳定性和鲁棒性，我们引入三项关键创新：引导输入初始化、输入扰动和凸输出组合技术。每项贡献均强化框架的优化稳定性和鲁棒性。这些突破使RINS-T成为解决复杂现实时间序列挑战的灵活且有效的解决方案。我们的代码已公开于 https://github.com/EPFL-IMOS/RINS-T。
引用
@article{arxiv.2510.17396,
title = {RINS-T: Robust Implicit Neural Solvers for Time Series Linear Inverse Problems},
author = {Keivan Faghih Niresi and Zepeng Zhang and Olga Fink},
journal= {arXiv preprint arXiv:2510.17396},
year = {2025}
}
备注
Accepted to IEEE Transactions on Instrumentation and Measurement