利用自编码器与自动微分重构时间序列集合中的缺失变量
机器学习
2023-08-22 v1 人工智能
机器学习
摘要
机器学习中现有的黑箱建模方法受限于固定的输入与输出特征组合。本文提出一种重构时间序列集合中缺失变量的新方法。首先按常规方式训练自编码器，使两侧均包含全部特征，训练后固定神经网络参数。随后，将待求解变量定义为自编码器输入端的缺失变量，并通过自动微分进行优化。该优化基于可用特征上的损失计算进行。利用此方法，通过将待求解变量定义为缺失变量并加以重构，可实现已训练模型的不同输入与输出特征组合，且无需重新训练自编码器即可更改组合。该方法在一个强非线性电气元件的基础上进行了评估，在四个变量中缺失一个时表现良好，且在一般情况下即便多个变量缺失也有效。
引用
@article{arxiv.2308.10496,
title = {Using Autoencoders and AutoDiff to Reconstruct Missing Variables in a Set of Time Series},
author = {Jan-Philipp Roche and Oliver Niggemann and Jens Friebe},
journal= {arXiv preprint arXiv:2308.10496},
year = {2023}
}