論文の概要: ImputeINR: Time Series Imputation via Implicit Neural Representations for Disease Diagnosis with Missing Data

• arxiv url: http://arxiv.org/abs/2505.10856v1
• Date: Fri, 16 May 2025 04:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.07548
• Title: ImputeINR: Time Series Imputation via Implicit Neural Representations for Disease Diagnosis with Missing Data
• Title（参考訳）: ImputeINR: 欠失データを用いた疾患診断のためのインシシトニューラル表現による時系列インキュベーション
• Authors: Mengxuan Li, Ke Liu, Jialong Guo, Jiajun Bu, Hongwei Wang, Haishuai Wang,
• Abstract要約: ImputeINRは時系列計算の新しいアプローチである。 極端に希薄な観測値でも微細な不純物を生成する。
• 参考スコア（独自算出の注目度）: 12.517524696964319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Healthcare data frequently contain a substantial proportion of missing values, necessitating effective time series imputation to support downstream disease diagnosis tasks. However, existing imputation methods focus on discrete data points and are unable to effectively model sparse data, resulting in particularly poor performance for imputing substantial missing values. In this paper, we propose a novel approach, ImputeINR, for time series imputation by employing implicit neural representations (INR) to learn continuous functions for time series. ImputeINR leverages the merits of INR in that the continuous functions are not coupled to sampling frequency and have infinite sampling frequency, allowing ImputeINR to generate fine-grained imputations even on extremely sparse observed values. Extensive experiments conducted on eight datasets with five ratios of masked values show the superior imputation performance of ImputeINR, especially for high missing ratios in time series data. Furthermore, we validate that applying ImputeINR to impute missing values in healthcare data enhances the performance of downstream disease diagnosis tasks. Codes are available.
• Abstract（参考訳）: 医療データは、ダウンストリーム疾患の診断タスクをサポートするために効果的な時系列計算を必要とする、欠落した値のかなりの割合を頻繁に含んでいる。 しかし、既存の計算手法は離散的なデータポイントに重点を置いており、スパースデータを効果的にモデル化することができない。 本稿では,暗黙的ニューラル表現(INR)を用いて時系列の連続関数を学習することにより,時系列計算のための新しい手法であるImputeINRを提案する。 ImputeINRは、連続関数がサンプリング周波数に結合せず、サンプリング周波数が無限であるという点でINRの利点を生かし、非常にスパースな観測値でも微細なインパルスを生成することができる。 マスク付き値の5つの比率を持つ8つのデータセットに対して行われた大規模な実験は、特に時系列データにおける高い欠落率に対して、ImputeINRの優れた計算性能を示している。 さらに,ImputeINRを医療データに欠落した値に応用することで,下流疾患診断タスクの性能が向上することを確認した。 コードは利用可能。

関連論文リスト

• Missing data imputation for noisy time-series data and applications in healthcare [5.586166090905021]
  インパテーション(英: Imputation、すなわち、欠落した値を埋めること)は、ノイズの多い時系列データを扱う一般的な方法である。 本研究では,MICE-RF(Multiple Imputation with Random Forest)や先進的な深層学習アプローチなどの計算手法を比較した。 この結果から,MICE-RFは深層学習法と比較して,欠落したデータを効果的にインプットできることが示唆された。
  論文  参考訳（メタデータ） (2024-12-15T12:23:20Z)
• Time Series Imputation with Multivariate Radial Basis Function Neural Network [1.6804613362826175]
  放射基底関数ニューラルネットワーク(RBFNN)に基づく時系列計算モデルを提案する。 我々の計算モデルは、タイムスタンプから局所情報を学習し、連続関数を生成する。 我々はMIM-RBFNNが生成した連続関数を用いたMIRNN-CF(Missing Value Imputation Recurrent Neural Network)と呼ばれる拡張を提案する。
  論文  参考訳（メタデータ） (2024-07-24T07:02:16Z)
• 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 [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• 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)
• RDIS: Random Drop Imputation with Self-Training for Incomplete Time Series Data [5.762908115928466]
  本稿では,不完全時系列データのための命令ネットワークのための新しいトレーニング手法RDISを提案する。 RDISでは、与えられた不完全データにランダムドロップを適用することで、余分な欠落値が存在する。 また、本来の欠落した価値を根拠のないまま活用するために、自己学習が導入される。
  論文  参考訳（メタデータ） (2020-10-20T07:04:25Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。