論文の概要: Deep Learning for Multivariate Time Series Imputation: A Survey

• arxiv url: http://arxiv.org/abs/2402.04059v2
• Date: Wed, 12 Feb 2025 13:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:46:50.425398
• Title: Deep Learning for Multivariate Time Series Imputation: A Survey
• Title（参考訳）: 多変量時系列計算のためのディープラーニング:サーベイ
• Authors: Jun Wang, Wenjie Du, Yiyuan Yang, Linglong Qian, Wei Cao, Keli Zhang, Wenjia Wang, Yuxuan Liang, Qingsong Wen,
• Abstract要約: 欠落した値は時系列データでユビキタスであり、正確な分析とダウンストリームアプリケーションのための課題を提起する。 深層学習に基づく手法は、複雑な時間的依存関係と学習データ分散を活用することで、欠落データを扱うことに成功した。 本稿では,既存の手法を2つの重要な観点から分類する新しい分類法を提案する。
• 参考スコア（独自算出の注目度）: 34.31414745076129
• License:
• Abstract: Missing values are ubiquitous in multivariate time series (MTS) data, posing significant challenges for accurate analysis and downstream applications. In recent years, deep learning-based methods have successfully handled missing data by leveraging complex temporal dependencies and learned data distributions. In this survey, we provide a comprehensive summary of deep learning approaches for multivariate time series imputation (MTSI) tasks. We propose a novel taxonomy that categorizes existing methods based on two key perspectives: imputation uncertainty and neural network architecture. Furthermore, we summarize existing MTSI toolkits with a particular emphasis on the PyPOTS Ecosystem, which provides an integrated and standardized foundation for MTSI research. Finally, we discuss key challenges and future research directions, which give insight for further MTSI research. This survey aims to serve as a valuable resource for researchers and practitioners in the field of time series analysis and missing data imputation tasks.
• Abstract（参考訳）: 欠落値は多変量時系列(MTS)データでユビキタスであり、正確な解析と下流アプリケーションには重大な課題がある。 近年,複雑な時間的依存関係と学習データ分布を活用することによって,深層学習に基づく手法が欠落データ処理に成功している。 本稿では,多変量時系列計算(MTSI)タスクに対するディープラーニング手法の総合的な概要について述べる。 本稿では,既存の手法を2つの重要な観点から分類する新しい分類法を提案する。 さらに,既存のMTSIツールキットをPyPOTSエコシステムに特に重点を置いて要約し,MTSI研究のための統合的で標準化された基盤を提供する。 最後に,MTSI研究の今後の方向性について考察し,今後の課題について考察する。 本調査は,時系列解析やデータ計算の欠如といった分野において,研究者や実践者にとって貴重な資源となることを目的としている。

関連論文リスト

• Empowering Large Language Models in Wireless Communication: A Novel Dataset and Fine-Tuning Framework [81.29965270493238]
  我々は,無線通信アプリケーションのための大規模言語モデル(LLM)の評価と微調整を目的とした,特殊なデータセットを開発した。 データセットには、真/偽と複数選択型を含む、さまざまなマルチホップ質問が含まれている。 本稿では,PVI(Pointwise V-Information)に基づく微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T16:19:53Z)
• Are Large Language Models Useful for Time Series Data Analysis? [3.44393516559102]
  時系列データは、医療、エネルギー、金融といった様々な分野において重要な役割を果たす。 本研究では,大規模言語モデル(LLM)が時系列データ解析に有効かどうかを検討する。
  論文  参考訳（メタデータ） (2024-12-16T02:47:44Z)
• See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
  時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。 本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
  論文  参考訳（メタデータ） (2024-11-04T10:28:41Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Advancing multivariate time series similarity assessment: an integrated computational approach [0.0]
  多変量時系列データの類似性を評価するための統合計算手法を提案する。 MTASAは時系列アライメントを最適化するために設計され、マルチプロセッシングエンジンによって補完される。 MTASAは既存の最先端統合フレームワークに比べて約1.5倍の精度と2倍の速度を実現している。
  論文  参考訳（メタデータ） (2024-03-16T23:52:25Z)
• Finding Foundation Models for Time Series Classification with a PreText Task [7.197233473373693]
  本稿では,時系列分類のための事前訓練済みドメイン基盤モデルを提案する。 我々の方法論の重要な側面は、複数のデータセットにまたがる新しいプリテキストタスクである。 UCRアーカイブの実験では,この事前学習戦略が,事前学習を伴わずに従来の訓練方法よりも有意に優れていたことが示されている。
  論文  参考訳（メタデータ） (2023-11-24T15:03:55Z)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
  周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。 この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。 本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
  論文  参考訳（メタデータ） (2023-02-04T14:33:07Z)
• Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
  ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。 本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2021-07-05T16:32:45Z)
• A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data [7.735948372571363]
  不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。 EHRデータの深層学習法は、パーソナライズされた治療、正確な診断、医療管理に重要である。 本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
  論文  参考訳（メタデータ） (2020-10-23T15:51:23Z)

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。