論文の概要: NRTSI: Non-Recurrent Time Series Imputation for Irregularly-sampled Data

• arxiv url: http://arxiv.org/abs/2102.03340v1
• Date: Fri, 5 Feb 2021 18:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 22:25:28.565187
• Title: NRTSI: Non-Recurrent Time Series Imputation for Irregularly-sampled Data
• Title（参考訳）: NRTSI:不規則サンプリングデータに対する非リカレント時系列計算
• Authors: Siyuan Shan, Junier B. Oliva
• Abstract要約: 時系列計算は、欠落したデータで時系列を理解するための基本的なタスクである。 再帰モジュールを持たない新しい計算モデル NRTSI を提案する。 NRTSIは不規則にサンプリングされたデータを容易に処理でき、多重モードの計算を行い、次元が部分的に観察されるシナリオを処理できる。
• 参考スコア（独自算出の注目度）: 14.343059464246425
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Time series imputation is a fundamental task for understanding time series with missing data. Existing imputation methods often rely on recurrent models such as RNNs and ordinary differential equations, both of which suffer from the error compounding problems of recurrent models. In this work, we view the imputation task from the perspective of permutation equivariant modeling of sets and propose a novel imputation model called NRTSI without any recurrent modules. Taking advantage of the permutation equivariant nature of NRTSI, we design a principled and efficient hierarchical imputation procedure. NRTSI can easily handle irregularly-sampled data, perform multiple-mode stochastic imputation, and handle the scenario where dimensions are partially observed. We show that NRTSI achieves state-of-the-art performance across a wide range of commonly used time series imputation benchmarks.
• Abstract（参考訳）: 時系列計算は、欠落したデータで時系列を理解するための基本的なタスクである。 既存の計算法は、しばしば RNN や通常の微分方程式のような反復モデルに依存しており、どちらも繰り返しモデルの誤差合成問題に悩まされている。 本研究では,集合の置換同変モデリングの観点から計算課題を考察し,再帰的な加群を持たない新しい計算モデル NRTSI を提案する。 NRTSIの置換同変性を利用して、原理的かつ効率的な階層型計算手順を設計する。 NRTSIは不規則にサンプリングされたデータを容易に処理でき、多重モード確率計算を実行し、次元が部分的に観察されるシナリオを処理できる。 我々は, NRTSIが, 広く使用されている時系列計算ベンチマークにおいて, 最先端の性能を達成することを示す。

関連論文リスト

• DiffImp: Efficient Diffusion Model for Probabilistic Time Series Imputation with Bidirectional Mamba Backbone [6.428451261614519]
  現在のDDPMに基づく確率的時系列計算手法は2種類の課題に直面している。 計算効率の良い状態空間モデルであるMambaをDDPMのバックボーンデノシングモジュールとして統合する。 提案手法では,複数のデータセット,異なるシナリオ,欠落率に対して,最先端の時系列計算結果が得られる。
  論文  参考訳（メタデータ） (2024-10-17T08:48:52Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Continuous-time Autoencoders for Regular and Irregular Time Series Imputation [21.25279298572273]
  時系列計算は、時系列の最も基本的なタスクの1つである。 最近の自己注意に基づく手法は、最先端の計算性能を示している。 連続時間リカレントニューラルネットワークに基づく計算法の設計は,長年にわたって見過ごされてきた。
  論文  参考訳（メタデータ） (2023-12-27T14:13:42Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
  重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。 我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Task-Synchronized Recurrent Neural Networks [0.0]
  リカレントニューラルネットワーク(RNN)は、伝統的に事実を無視し、時間差を追加入力として与えたり、データを再サンプリングしたりする。 我々は、データやタスクの時間と一致するように、RNNを効果的に再サンプリングするエレガントな代替手法を提案する。 我々は、我々のモデルがデータの時間的非均一性を効果的に補償できることを実証的に確認し、データ再サンプリングや古典的RNN手法、代替的なRNNモデルと比較することを実証した。
  論文  参考訳（メタデータ） (2022-04-11T15:27:40Z)
• CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
  Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。 さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
  論文  参考訳（メタデータ） (2021-07-07T22:20:24Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Learning from Irregularly-Sampled Time Series: A Missing Data Perspective [18.493394650508044]
  不規則にサンプリングされた時系列は、医療を含む多くの領域で発生する。 連続だが観測されていない関数からサンプリングされた指数値対の列として、不規則にサンプリングされた時系列データをモデル化する。 本稿では,変分オートエンコーダと生成対向ネットワークに基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2020-08-17T20:01:55Z)
• STEER: Simple Temporal Regularization For Neural ODEs [80.80350769936383]
  トレーニング中のODEの終了時刻をランダムにサンプリングする新しい正規化手法を提案する。 提案された正規化は実装が簡単で、オーバーヘッドを無視でき、様々なタスクで有効である。 本稿では,フローの正規化,時系列モデル,画像認識などの実験を通じて,提案した正規化がトレーニング時間を大幅に短縮し,ベースラインモデルよりも性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T17:44:50Z)

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。