論文の概要: Deep Learning for Multivariate Time Series Imputation: A Survey
- arxiv url: http://arxiv.org/abs/2402.04059v1
- Date: Tue, 6 Feb 2024 15:03:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 14:32:19.610739
- Title: Deep Learning for Multivariate Time Series Imputation: A Survey
- Title(参考訳): 多変量時系列インプテーションのためのディープラーニング:調査
- Authors: Jun Wang, Wenjie Du, Wei Cao, Keli Zhang, Wenjia Wang, Yuxuan Liang,
Qingsong Wen
- Abstract要約: 本稿では,最近提案されたディープラーニング計算手法に関する総合的な調査を行う。
本稿では,本手法の分類法を提案し,その強度と限界を明らかにすることによって,これらの手法の構造化されたレビューを行う。
また、異なる手法の研究や下流タスクの強化を比較するための実証実験も行います。
- 参考スコア(独自算出の注目度): 36.72913706617057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ubiquitous missing values cause the multivariate time series data to be
partially observed, destroying the integrity of time series and hindering the
effective time series data analysis. Recently deep learning imputation methods
have demonstrated remarkable success in elevating the quality of corrupted time
series data, subsequently enhancing performance in downstream tasks. In this
paper, we conduct a comprehensive survey on the recently proposed deep learning
imputation methods. First, we propose a taxonomy for the reviewed methods, and
then provide a structured review of these methods by highlighting their
strengths and limitations. We also conduct empirical experiments to study
different methods and compare their enhancement for downstream tasks. Finally,
the open issues for future research on multivariate time series imputation are
pointed out. All code and configurations of this work, including a regularly
maintained multivariate time series imputation paper list, can be found in the
GitHub repository~\url{https://github.com/WenjieDu/Awesome\_Imputation}.
- Abstract(参考訳): ユビキタスな欠落値は、多変量時系列データを部分的に観測し、時系列の完全性を破壊し、有効時系列データ解析を妨げる。
近年の深層学習計算法は, 劣化した時系列データの品質向上に成功し, 下流タスクの性能向上に寄与している。
本稿では,最近提案された深層学習インプテーション法について総合的な調査を行う。
まず,検討した手法の分類法を提案し,その強みと限界を強調することで,それらの手法の構造化されたレビューを行う。
また,異なる手法について実験を行い,その改善度を下流タスクで比較する。
最後に,多変量時系列インプテーション研究の今後の課題について述べる。
この作業のすべてのコードと構成は、定期的にメンテナンスされている多変量時系列計算用紙リストを含むが、GitHubリポジトリ~\url{https://github.com/WenjieDu/Awesome\_Imputation}にある。
関連論文リスト
- 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) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - Filling out the missing gaps: Time Series Imputation with
Semi-Supervised Learning [7.8379910349669]
本稿では,ラベルなしデータと下流タスクのラベル付きデータの両方を利用する半教師付き計算手法ST-Imputeを提案する。
ST-Imputeはスパース自己注意に基づいており、計算過程を模倣するタスクを訓練する。
論文 参考訳(メタデータ) (2023-04-09T16:38:47Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。
我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。
ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文 参考訳(メタデータ) (2021-10-11T13:33:18Z) - Temporal Dependencies in Feature Importance for Time Series Predictions [4.082348823209183]
時系列予測設定における特徴重要度を評価するためのフレームワークであるWinITを提案する。
我々は、ソリューションが時間ステップ内の機能の適切な属性をどのように改善するかを示す。
WinIT は FIT の2.47倍の性能を達成しており、実際のMIMIC の致命的課題における他の特徴的重要な手法である。
論文 参考訳(メタデータ) (2021-07-29T20:31:03Z) - Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
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。
論文 参考訳(メタデータ) (2021-01-25T18:57:42Z) - Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。
ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。
我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
論文 参考訳(メタデータ) (2020-11-23T11:57:27Z) - Time Series Data Augmentation for Deep Learning: A Survey [35.2161833151567]
時系列データに対する様々なデータ拡張手法を体系的に検討する。
時系列分類や異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
論文 参考訳(メタデータ) (2020-02-27T23:38:11Z)
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。