Fugu-MT 論文翻訳(概要): Multi-Time Attention Networks for Irregularly Sampled Time Series

論文の概要: Multi-Time Attention Networks for Irregularly Sampled Time Series

arxiv url: http://arxiv.org/abs/2101.10318v1
Date: Mon, 25 Jan 2021 18:57:42 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 19:20:20.734119
Title: Multi-Time Attention Networks for Irregularly Sampled Time Series
Title（参考訳）: 不規則サンプリング時系列に対するマルチタイムアテンションネットワーク
Authors: Satya Narayan Shukla, Benjamin M. Marlin
Abstract要約: 不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
参考スコア（独自算出の注目度）: 18.224344440110862
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Irregular sampling occurs in many time series modeling applications where it presents a significant challenge to standard deep learning models. This work is motivated by the analysis of physiological time series data in electronic health records, which are sparse, irregularly sampled, and multivariate. In this paper, we propose a new deep learning framework for this setting that we call Multi-Time Attention Networks. Multi-Time Attention Networks learn an embedding of continuous-time values and use an attention mechanism to produce a fixed-length representation of a time series containing a variable number of observations. We investigate the performance of our framework on interpolation and classification tasks using multiple datasets. Our results show that our approach performs as well or better than a range of baseline and recently proposed models while offering significantly faster training times than current state-of-the-art methods.
Abstract（参考訳）: 不規則サンプリングは多くの時系列モデリングアプリケーションで発生し、標準的なディープラーニングモデルに重要な課題をもたらす。この研究は、不規則にサンプリングされ、多変量である電子健康記録における生理学的時系列データの分析によって動機づけられる。本稿では,マルチタイムアテンションネットワークと呼ばれる新しい深層学習フレームワークを提案する。マルチタイムアテンションネットワークは、連続時間値の埋め込みを学び、注意メカニズムを使用して、可変数の観測を含む時系列の固定長表現を生成する。複数のデータセットを用いた補間および分類タスクにおけるフレームワークの性能について検討する。本研究の結果から,本手法はベースラインモデルや最近提案されたモデルよりも優れた性能を示しながら,現在の最先端手法よりもはるかに高速なトレーニング時間を提供する。