論文の概要: Modeling Information Blackouts in Missing Not-At-Random Time Series Data

• arxiv url: http://arxiv.org/abs/2601.01480v1
• Date: Sun, 04 Jan 2026 11:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.428774
• Title: Modeling Information Blackouts in Missing Not-At-Random Time Series Data
• Title（参考訳）: 非ランダム時系列データの欠落における情報ブラックアウトのモデル化
• Authors: Aman Sunesh, Allan Ma, Siddarth Nilol,
• Abstract要約: 大規模な交通予測は、しばしばブラックアウトを示す固定センサーネットワークに依存している。 本稿では,線形力学系による交通力学を協調的にモデル化する潜在状態空間フレームワークを提案する。 明示的なMNARモデリングは、実際のデータに対して一貫したがより小さな改善を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale traffic forecasting relies on fixed sensor networks that often exhibit blackouts: contiguous intervals of missing measurements caused by detector or communication failures. These outages are typically handled under a Missing At Random (MAR) assumption, even though blackout events may correlate with unobserved traffic conditions (e.g., congestion or anomalous flow), motivating a Missing Not At Random (MNAR) treatment. We propose a latent state-space framework that jointly models (i) traffic dynamics via a linear dynamical system and (ii) sensor dropout via a Bernoulli observation channel whose probability depends on the latent traffic state. Inference uses an Extended Kalman Filter with Rauch-Tung-Striebel smoothing, and parameters are learned via an approximate EM procedure with a dedicated update for detector-specific missingness parameters. On the Seattle inductive loop detector data, introducing latent dynamics yields large gains over naive baselines, reducing blackout imputation RMSE from 7.02 (LOCF) and 5.02 (linear interpolation + seasonal naive) to 4.23 (MAR LDS), corresponding to about a 64% reduction in MSE relative to LOCF. Explicit MNAR modeling provides a consistent but smaller additional improvement on real data (imputation RMSE 4.20; 0.8% RMSE reduction relative to MAR), with similar modest gains for short-horizon post-blackout forecasts (evaluated at 1, 3, and 6 steps). In controlled synthetic experiments, the MNAR advantage increases as the true missingness dependence on latent state strengthens. Overall, temporal dynamics dominate performance, while MNAR modeling offers a principled refinement that becomes most valuable when missingness is genuinely informative.
• Abstract（参考訳）: 大規模な交通予測は、しばしばブラックアウトを示す固定センサーネットワークに依存している。 これらの停止は、通常、MAR(Missing Not At Random)の仮定の下で処理されるが、ブラックアウトイベントは、観測されていない交通条件(例えば、渋滞や異常な流れ)と相関し、MNAR(Missing Not At Random)の治療を動機付ける。 協調モデルを用いた潜在状態空間フレームワークを提案する。 一 線形力学系による交通力学 (II)ベルヌーイ観測路を経由したセンサの落差は、遅延トラフィック状態に依存する。 推論は、Ruch-Tung-Striebelスムースな拡張カルマンフィルタを使用し、パラメータは、検出器固有の欠損パラメータを専用の更新で近似EMプロシージャで学習する。 シアトル・インダクティブ・ループ検出器のデータでは、潜時ダイナミクスの導入は、ナイーブベースラインよりも大きな利得をもたらし、クロアウト計算RMSEを7.02 (LOCF) と5.02 (線形補間と季節的ネーブ) から4.23 (MAR LDS) に削減し、LOCFと比較して約64%のMSE削減に対応する。 明示的なMNARモデリングは、実際のデータ(推定RMSE 4.20; 0.8%RMSEのMARに対する削減)に対して一貫したがより小さな改善を提供する。 制御された合成実験において、MNARの利点は、潜伏状態への真の欠如依存性が強まるにつれて増大する。 全体として、時間的ダイナミクスがパフォーマンスを支配し、MNARモデリングは、欠落が真に有益である場合に最も価値の高い、原則化された改善を提供する。

関連論文リスト

• Unifying Sign and Magnitude for Optimizing Deep Vision Networks via ThermoLion [0.0]
  現在のパラダイムは、情報チャネルドリフトパラメータに静的な妥協を課している。 我々は「低次元」探索モデルと「低次元」動的アライメントフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-01T17:04:17Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
  本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。 主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。 その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T17:13:25Z)
• Can the Waymo Open Motion Dataset Support Realistic Behavioral Modeling? A Validation Study with Naturalistic Trajectories [4.250936281629339]
  本研究では,WOMDが実世界のAV操作で観測される力学と相互作用を正確に捉えているかどうかを検討する。 我々は,信号化交差点での放電,車追従,車線変更行動の3つの代表的な都市運転シナリオの比較分析を行った。 その結果, PHX の挙動は WOMD の行動エンベロープの外側にあることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-03T17:56:46Z)
• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)

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。