論文の概要: Masking the Gaps: An Imputation-Free Approach to Time Series Modeling with Missing Data

• arxiv url: http://arxiv.org/abs/2502.15785v1
• Date: Tue, 18 Feb 2025 01:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:57:29.414019
• Title: Masking the Gaps: An Imputation-Free Approach to Time Series Modeling with Missing Data
• Title（参考訳）: Masking the Gaps: 欠落データを用いた時系列モデリングにおける命令不要アプローチ
• Authors: Abhilash Neog, Arka Daw, Sepideh Fatemi Khorasgani, Anuj Karpatne,
• Abstract要約: 我々は、Missing Feature-aware Time Series Modeling (MissTSM)と呼ばれる、時系列における欠落値を扱う新しい計算不要な手法を提案する。 まず、時間ステップと特徴(またはチャネル)の組み合わせをそれぞれ別個のトークンとして扱う新しい埋め込み方式を開発し、また、部分的に観察された特徴に基づいて各時間ステップで潜在表現を学習する新しい特徴認識層(MFAA)を導入する。
• 参考スコア（独自算出の注目度）: 4.976006205643832
• License:
• Abstract: A significant challenge in time-series (TS) modeling is the presence of missing values in real-world TS datasets. Traditional two-stage frameworks, involving imputation followed by modeling, suffer from two key drawbacks: (1) the propagation of imputation errors into subsequent TS modeling, (2) the trade-offs between imputation efficacy and imputation complexity. While one-stage approaches attempt to address these limitations, they often struggle with scalability or fully leveraging partially observed features. To this end, we propose a novel imputation-free approach for handling missing values in time series termed Missing Feature-aware Time Series Modeling (MissTSM) with two main innovations. First, we develop a novel embedding scheme that treats every combination of time-step and feature (or channel) as a distinct token. Second, we introduce a novel Missing Feature-Aware Attention (MFAA) Layer to learn latent representations at every time-step based on partially observed features. We evaluate the effectiveness of MissTSM in handling missing values over multiple benchmark datasets.
• Abstract（参考訳）: 時系列モデリング(TS)における重要な課題は、現実のTSデータセットに欠落した値の存在である。 従来の2段階のフレームワークでは,(1) 計算エラーのその後のTSモデリングへの伝播,(2) 計算効率と計算複雑性のトレードオフ,という2つの大きな欠点を経験している。 1段階のアプローチはこれらの制限に対処しようとするが、スケーラビリティに苦しむ場合や、部分的に観察された機能を完全に活用する場合が多い。 そこで本稿では,Missing Feature-Aware Time Series Modeling (MissTSM) と呼ばれる時系列における欠落した値を2つの主要なイノベーションで処理するための,新しい計算不要な手法を提案する。 まず、時間ステップと特徴(チャネル)の組合せをそれぞれ異なるトークンとして扱う新しい埋め込み方式を開発する。 第2に、部分的に観察された特徴に基づいて、各タイミングで潜時表現を学習するための新しいMFAAレイヤーを導入する。 複数のベンチマークデータセット上での欠落値処理におけるMissTSMの有効性を評価する。

関連論文リスト

• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• BRATI: Bidirectional Recurrent Attention for Time-Series Imputation [0.14999444543328289]
  時系列分析におけるデータの欠落は、ダウンストリームアプリケーションの信頼性に影響を及ぼす、重大な課題を引き起こす。 本稿では,多変量時系列計算のための新しい深層学習モデルであるBRATIを紹介する。 BRATIは時間的依存を処理し、長い時間的水平線と短い時間的水平線をまたいだ特徴相関を処理し、その逆の時間的方向で動作する2つの計算ブロックを利用する。
  論文  参考訳（メタデータ） (2025-01-09T17:50:56Z)
• Retrieval-Augmented Diffusion Models for Time Series Forecasting [19.251274915003265]
  検索時間拡張拡散モデル(RATD)を提案する。 RATDは埋め込みベースの検索プロセスと参照誘導拡散モデルという2つの部分から構成される。 当社のアプローチでは,データベース内の意味のあるサンプルを活用することで,サンプリングを支援し,データセットの利用を最大化することが可能です。
  論文  参考訳（メタデータ） (2024-10-24T13:14:39Z)
• 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)
• Scalable Numerical Embeddings for Multivariate Time Series: Enhancing Healthcare Data Representation Learning [6.635084843592727]
  独立トークンとして各特徴値を扱う新しいフレームワークであるSCANEを提案する。 SCANEは、異なる機能埋め込みの特性を正規化し、スケーラブルな埋め込みメカニズムを通じて表現学習を強化する。 本研究は,MTSの精度の高い予測出力を実現するために,nUMerical eMbeddIng Transformer (SUMMIT) を開発した。
  論文  参考訳（メタデータ） (2024-05-26T13:06:45Z)
• 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)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• 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)
• 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)
• LIFE: Learning Individual Features for Multivariate Time Series Prediction with Missing Values [71.52335136040664]
  本稿では,MTS予測のための新しいパラダイムを提供する学習個人特徴(LIFE)フレームワークを提案する。 LIFEは、相関次元を補助情報として使用し、非相関次元からの干渉を欠落値で抑制することにより、予測のための信頼性の高い特徴を生成する。 3つの実世界のデータセットの実験は、既存の最先端モデルに対するLIFEの優位性を検証する。
  論文  参考訳（メタデータ） (2021-09-30T04:53:24Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。