Tripletformer：用于不规则采样时间序列的概率插补
机器学习
2024-01-15 v2
摘要
带有缺失值的不规则采样时间序列数据在医疗、天文学和气候科学等诸多领域均有观测。此类时间序列的插补对于根因分析和医学诊断等任务以及平滑不规则或噪声数据至关重要。为应对这一挑战，我们提出一种称为“Tripletformer”的新型编码器-解码器架构，用于带缺失值的不规则采样时间序列的概率插补。该基于注意力的模型作用于观测集合，其中每个元素由时间、通道和值的三元组构成。Tripletformer 的编码器和解码器由注意力层与全连接层设计而成，使模型能有效处理所呈现的集合元素。我们在多个真实世界与合成数据集上将 Tripletformer 与一系列基线对比，表明其产生更准确且更确定的插补。结果表明，与使用次优模型相比，在真实世界数据集上 Tripletformer 的负对数似然误差降低达 32%，在合成数据集上降低达 85%。
引用
@article{arxiv.2210.02091,
title = {Tripletformer for Probabilistic Interpolation of Irregularly sampled Time Series},
author = {Vijaya Krishna Yalavarthi and Johannes Burchert and Lars Schmidt-thieme},
journal= {arXiv preprint arXiv:2210.02091},
year = {2024}
}