論文の概要: TSI-Bench: Benchmarking Time Series Imputation

• arxiv url: http://arxiv.org/abs/2406.12747v2
• Date: Thu, 31 Oct 2024 17:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 16:58:47.906391
• Title: TSI-Bench: Benchmarking Time Series Imputation
• Title（参考訳）: TSI-Bench: 時系列インプットのベンチマーク
• Authors: Wenjie Du, Jun Wang, Linglong Qian, Yiyuan Yang, Zina Ibrahim, Fanxing Liu, Zepu Wang, Haoxin Liu, Zhiyuan Zhao, Yingjie Zhou, Wenjia Wang, Kaize Ding, Yuxuan Liang, B. Aditya Prakash, Qingsong Wen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.27004336123575
• License:
• Abstract: Effective imputation is a crucial preprocessing step for time series analysis. Despite the development of numerous deep learning algorithms for time series imputation, the community lacks standardized and comprehensive benchmark platforms to effectively evaluate imputation performance across different settings. Moreover, although many deep learning forecasting algorithms have demonstrated excellent performance, whether their modelling achievements can be transferred to time series imputation tasks remains unexplored. To bridge these gaps, we develop TSI-Bench, the first (to our knowledge) comprehensive benchmark suite for time series imputation utilizing deep learning techniques. The TSI-Bench pipeline standardizes experimental settings to enable fair evaluation of imputation algorithms and identification of meaningful insights into the influence of domain-appropriate missing rates and patterns on model performance. Furthermore, TSI-Bench innovatively provides a systematic paradigm to tailor time series forecasting algorithms for imputation purposes. Our extensive study across 34,804 experiments, 28 algorithms, and 8 datasets with diverse missingness scenarios demonstrates TSI-Bench's effectiveness in diverse downstream tasks and potential to unlock future directions in time series imputation research and analysis. All source code and experiment logs are released at https://github.com/WenjieDu/AwesomeImputation.
• Abstract（参考訳）: 実効計算は時系列解析において重要な前処理ステップである。 時系列計算のための多くのディープラーニングアルゴリズムが開発されているにもかかわらず、コミュニティは異なる設定にわたる命令処理のパフォーマンスを効果的に評価する標準的で包括的なベンチマークプラットフォームを欠いている。 さらに、多くのディープラーニング予測アルゴリズムは優れた性能を示したが、それらのモデリング成果を時系列計算タスクに転送できるかどうかは未定のままである。 これらのギャップを埋めるため,我々は,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的なベンチマークスイートであるTSI-Benchを開発した。 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正な評価と、ドメイン不適切な欠落率とパターンがモデルパフォーマンスに与える影響に関する意味のある洞察を識別する。 さらに、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。 多様な不足シナリオを持つ34,804の実験、28のアルゴリズム、および8つのデータセットにわたる広範な研究は、TSI-Benchが下流の様々なタスクにおいて有効であること、時系列計算の研究と分析において将来の方向性を解き放つ可能性を実証している。 すべてのソースコードと実験ログはhttps://github.com/WenjieDu/AwesomeImputationで公開されている。

関連論文リスト

• 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)
• TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly Detection Models [21.658019069964755]
  時系列異常検出(TSAD)は実世界の応用により注目されている。 TSADが現実のデプロイメントの要件を満たすことができるかどうかを検証する効果的な方法はない。 本稿では,既存のアルゴリズムの性能を評価するため,産業用ベンチマークTimeSeriesBenchを提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:25:20Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Automatic Feature Engineering for Time Series Classification: Evaluation and Discussion [0.0]
  時系列分類(TSC)は、データサイエンスと知識工学において重要かつ困難な問題である。 近年,時系列から教師なし情報要約統計,いわゆる特徴を抽出するツールがいくつか設計されている。 本稿では,既存の機能工学ツールを用いて得られた機能セットの潜在的な予測性能を評価するための,シンプルなTSCプロセスを提案する。
  論文  参考訳（メタデータ） (2023-08-02T10:46:42Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• SAITS: Self-Attention-based Imputation for Time Series [6.321652307514677]
  SAITSは時系列における値計算の欠落に対する自己注意機構に基づく新しい手法である。 斜めにマスキングされた2つの自己注意ブロックの重み付けされた組み合わせから、欠落した値を学ぶ。 テストの結果、SAITSは時系列計算タスクにおける最先端の手法を効率よく上回ることが示された。
  論文  参考訳（メタデータ） (2022-02-17T08:40:42Z)
• 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)
• Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
  モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。 そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
  論文  参考訳（メタデータ） (2020-10-26T22:07:53Z)

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。