面向临床多变量时序数据插值的时序高斯 Copula 模型
机器学习
2025-04-04 v1 人工智能
摘要
多变量时序（MTS）插值通常面临不规则缺失值，这些缺失值由于仪器故障、来自无关数据的干扰以及隐私法规等因素导致。现有的统计方法和深度学习方法在时序插值方面已显示出前景。本文提出一种时序高斯 Copula 模型（TGC），用于三阶 MTS �值。核心思想是利用高斯 Copula 在基于潜在高斯表示的基础上探索跨变量和时序关系。随后，我们采用期望最大化（EM）算法来提高对不同缺失率数据的鲁棒性。对三个真实世界 MTS 数据集进行了全面实验。结果表明，我们的 TGC 在插值方面显著优于最新的插值方法。此外，TGC 模型对测试数据集中不同缺失比例的鲁棒性更强。我们的代码已公开于 https://github.com/MVL-Lab/TGC-MTS。
引用
@article{arxiv.2504.02317,
title = {Temporal Gaussian Copula For Clinical Multivariate Time Series Data Imputation},
author = {Ye Su and Hezhe Qiao and Di Wu and Yuwen Chen and Lin Chen},
journal= {arXiv preprint arXiv:2504.02317},
year = {2025}
}
备注
Accepted in BIBM2024