論文の概要: Modelling Irregularly Sampled Time Series Without Imputation
- arxiv url: http://arxiv.org/abs/2309.08698v1
- Date: Fri, 15 Sep 2023 18:43:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 19:52:24.457385
- Title: Modelling Irregularly Sampled Time Series Without Imputation
- Title(参考訳): インプットのない不規則サンプリング時系列のモデル化
- Authors: Rohit Agarwal, Aman Sinha, Dilip K. Prasad, Marianne Clausel,
Alexander Horsch, Mathieu Constant and Xavier Coubez
- Abstract要約: 不規則サンプリング時系列(ISTS)のモデル化は、値の欠如により困難である。
既存のほとんどのメソッドは、不規則にサンプリングされたデータをインプットによって定期的にサンプリングされたデータに変換することで、ISTSの処理に重点を置いている。
我々は,LSTMのセットを用いてISTSを計算せずにモデル化し,基礎となるプロセスの仮定を排除したSLANを提案する。
- 参考スコア(独自算出の注目度): 44.79338100842851
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modelling irregularly-sampled time series (ISTS) is challenging because of
missing values. Most existing methods focus on handling ISTS by converting
irregularly sampled data into regularly sampled data via imputation. These
models assume an underlying missing mechanism leading to unwanted bias and
sub-optimal performance. We present SLAN (Switch LSTM Aggregate Network), which
utilizes a pack of LSTMs to model ISTS without imputation, eliminating the
assumption of any underlying process. It dynamically adapts its architecture on
the fly based on the measured sensors. SLAN exploits the irregularity
information to capture each sensor's local summary explicitly and maintains a
global summary state throughout the observational period. We demonstrate the
efficacy of SLAN on publicly available datasets, namely, MIMIC-III, Physionet
2012 and Physionet 2019. The code is available at
https://github.com/Rohit102497/SLAN.
- Abstract(参考訳): 不規則サンプリング時系列(ISTS)のモデル化は、値の欠如により困難である。
既存のほとんどのメソッドは、不規則にサンプリングされたデータをインプットによって定期的にサンプリングされたデータに変換することでISTSを扱うことに重点を置いている。
これらのモデルは、望ましくないバイアスと準最適性能をもたらすメカニズムを欠いていると仮定する。
SLAN(Switch LSTM Aggregate Network)は,LSTMのセットを用いてISTSを計算せずにモデル化し,基礎となるプロセスの仮定をなくす。
計測されたセンサーに基づいて動的にアーキテクチャをオンザフライで適応させる。
SLANは不規則情報を利用して各センサの局所的な要約を明示的に捉え、観測期間を通してグローバルな要約状態を維持する。
公開データセット(MIMIC-III, Physionet 2012, Physionet 2019)に対するSLANの有効性を示す。
コードはhttps://github.com/Rohit102497/SLANで公開されている。
関連論文リスト
- Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - TSI-GAN: Unsupervised Time Series Anomaly Detection using Convolutional
Cycle-Consistent Generative Adversarial Networks [2.4469484645516837]
異常検出は、ネットワーク侵入検知、自律運転、診断、クレジットカード詐欺などに広く用いられている。
本稿では、複雑な時間パターンを自動的に学習できる時系列の教師なし異常検出モデルであるTSI-GANを提案する。
提案手法は,250個の高度・厳密なデータセットを用いてTSI-GANを評価し,最先端の8つのベースライン手法と比較した。
論文 参考訳(メタデータ) (2023-03-22T23:24:47Z) - 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) - Imputing Missing Observations with Time Sliced Synthetic Minority
Oversampling Technique [0.3973560285628012]
本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。
我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。
これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
論文 参考訳(メタデータ) (2022-01-14T19:23:24Z) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳(メタデータ) (2021-10-05T18:20:42Z) - "Forget" the Forget Gate: Estimating Anomalies in Videos using
Self-contained Long Short-Term Memory Networks [20.211951213040937]
本稿では,LSTMに基づく新たな自己完結型ネットワークを学習し,ビデオ中の異常を検出する手法を提案する。
忘れゲートを破棄し,シグモイドを活性化させることにより,両ゲート型軽量LSTM細胞を導入する。
取り外しゲートを除去するとLSTMセルが簡素化され、性能効率と計算効率が向上する。
論文 参考訳(メタデータ) (2021-04-03T20:43:49Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z) - Unsupervised Online Anomaly Detection On Irregularly Sampled Or Missing
Valued Time-Series Data Using LSTM Networks [0.0]
異常検出について検討し,変長,不規則なサンプルシーケンス,あるいは欠落した値を含むシーケンスを処理するアルゴリズムを提案する。
しかし,本アルゴリズムは完全に教師なしであり,教師付きあるいは半教師付きケースに容易に拡張できる。
論文 参考訳(メタデータ) (2020-05-25T09:41:04Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z)
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。