論文の概要: Time-series Imputation and Prediction with Bi-Directional Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2009.08900v1
• Date: Fri, 18 Sep 2020 15:47:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 02:22:17.388212
• Title: Time-series Imputation and Prediction with Bi-Directional Generative Adversarial Networks
• Title（参考訳）: 双方向生成逆数ネットワークによる時系列インプットと予測
• Authors: Mehak Gupta, Rahmatollah Beheshti
• Abstract要約: 本稿では,不規則に観測された時系列データと不規則なエントリを含む長さの時系列データの計算と予測を併用したタスクのモデルを提案する。 我々のモデルは、入力時間ステップ(予測)の内側または外側の欠落した要素をインプットする方法を学び、したがって、時系列データに有効な任意の時間予測ツールとして機能する。
• 参考スコア（独自算出の注目度）: 0.3162999570707049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time-series data are used in many classification and regression predictive tasks, and recurrent models have been widely used for such tasks. Most common recurrent models assume that time-series data elements are of equal length and the ordered observations are recorded at regular intervals. However, real-world time-series data have neither a similar length nor a same number of observations. They also have missing entries, which hinders the performance of predictive tasks. In this paper, we approach these issues by presenting a model for the combined task of imputing and predicting values for the irregularly observed and varying length time-series data with missing entries. Our proposed model (Bi-GAN) uses a bidirectional recurrent network in a generative adversarial setting. The generator is a bidirectional recurrent network that receives actual incomplete data and imputes the missing values. The discriminator attempts to discriminate between the actual and the imputed values in the output of the generator. Our model learns how to impute missing elements in-between (imputation) or outside of the input time steps (prediction), hence working as an effective any-time prediction tool for time-series data. Our method has three advantages to the state-of-the-art methods in the field: (a) single model can be used for both imputation and prediction tasks; (b) it can perform prediction task for time-series of varying length with missing data; (c) it does not require to know the observation and prediction time window during training which provides a flexible length of prediction window for both long-term and short-term predictions. We evaluate our model on two public datasets and on another large real-world electronic health records dataset to impute and predict body mass index (BMI) values in children and show its superior performance in both settings.
• Abstract（参考訳）: 多変量時系列データは多くの分類や回帰予測タスクで使われ、そのようなタスクには反復モデルが広く使われている。 最も一般的なリカレントモデルでは、時系列データ要素は等しい長さであり、順序付けられた観測は一定間隔で記録されると仮定する。 しかし、実世界の時系列データは同様の長さも観測回数も持たない。 エントリも欠落しており、予測タスクのパフォーマンスを阻害している。 本稿では,不規則に観測された時系列データに対する値の予測と予測の複合タスクのためのモデルを提案することにより,これらの問題にアプローチする。 提案モデル (bi-gan) は, 生成的敵意設定において双方向リカレントネットワークを用いる。 ジェネレータは双方向のリカレントネットワークであり、実際の不完全データを受信し、欠落した値をインプットする。 判別器は、生成器の出力における実値と不純値とを判別しようとする。 我々のモデルは、入力時間ステップ(予測)の内側または外側の欠落した要素をインプットする方法を学び、したがって時系列データに有効な任意の時間予測ツールとして機能する。 この分野における最先端手法には3つの利点がある。 (a)単一モデルは、計算処理と予測処理の両方に使用できる。 (b)データ不足を伴う長さの異なる時系列の予測タスクを行うことができる。 (c)長期予測と短期予測の両方に対して柔軟な予測窓を提供する訓練中の観察・予測時間窓を知る必要はない。 本研究では,2つの公開データセットと1つの大規模実世界電子健康記録データセットを用いて,小児の体力指数(bmi)値を推定し,両場面で優れた性能を示す。

関連論文リスト

• DAM: Towards A Foundation Model for Time Series Forecasting [0.8231118867997028]
  本稿では,ランダムにサンプリングされた履歴を抽出し,時間連続関数として調整可能な基底組成を出力するニューラルモデルを提案する。 1)長い尾の分布からランダムにサンプリングされたヒストリーを使用する柔軟なアプローチ、(2)これらの活発にサンプリングされたヒストリーに基づいてトレーニングされたトランスフォーマーバックボーンを表現的出力として、(3)時間の連続関数の基底係数を含む。
  論文  参考訳（メタデータ） (2024-07-25T08:48:07Z)
• Probabilistic Imputation for Time-series Classification with Missing Data [17.956329906475084]
  時系列データを欠落した値で分類する新しいフレームワークを提案する。 我々の深層生成モデル部分は、欠落した値を複数の可算的な方法で解釈するように訓練されている。 分類部は、インプットされた不足値とともに時系列データを取り込み、信号を分類する。
  論文  参考訳（メタデータ） (2023-08-13T10:04:13Z)
• An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
  我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。 我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
  論文  参考訳（メタデータ） (2023-06-01T15:08:22Z)
• STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
  GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。 我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-22T06:06:56Z)
• A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
  我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。 本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。 提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-04-11T18:31:53Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Time-Series Imputation with Wasserstein Interpolation for Optimal Look-Ahead-Bias and Variance Tradeoff [66.59869239999459]
  ファイナンスでは、ポートフォリオ最適化モデルをトレーニングする前に、損失の計算を適用することができる。 インキュベーションのために全データセットを使用するルックアヘッドバイアスと、トレーニングデータのみを使用することによるインキュベーションの大きなばらつきとの間には、本質的にトレードオフがある。 提案手法は,提案法における差分とルックアヘッドバイアスのトレードオフを最適に制御するベイズ後部コンセンサス分布である。
  論文  参考訳（メタデータ） (2021-02-25T09:05:35Z)
• Few-shot Learning for Time-series Forecasting [40.58524521473793]
  そこで本研究では,対象タスクにおける時系列の今後の価値を予測できる数ショット学習手法を提案する。 本モデルは,対象タスクとは異なる複数のトレーニングタスクにおいて時系列データを用いて訓練される。
  論文  参考訳（メタデータ） (2020-09-30T01:32:22Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。