論文の概要: Bayes-MICE: A Bayesian Approach to Multiple Imputation for Time Series Data

• arxiv url: http://arxiv.org/abs/2603.27142v1
• Date: Sat, 28 Mar 2026 05:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.808863
• Title: Bayes-MICE: A Bayesian Approach to Multiple Imputation for Time Series Data
• Title（参考訳）: Bayes-MICE:時系列データに対する多重計算へのベイズ的アプローチ
• Authors: Amuche Ibenegbu, Pierre Lafaye de Micheaux, Rohitash Chandra,
• Abstract要約: MICE(Multiple Imputation by Chained Equations)は、条件付き仕様によって欠落した値を出力する。 我々はベイズフレームワーク(Bayes-MICE)を用いてMICEを拡張し、マルコフ連鎖モンテカルロサンプリングによる欠落値のインプットを行う。 実世界の2つのデータセットを用いてベイズ・マイス法の評価を行った。
• 参考スコア（独自算出の注目度）: 3.503370263836711
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time-series analysis is often affected by missing data, a common problem across several fields, including healthcare and environmental monitoring. Multiple Imputation by Chained Equations (MICE) has been prominent for imputing missing values through "fully conditional specification". We extend MICE using the Bayesian framework (Bayes-MICE), utilising Bayesian inference to impute missing values via Markov Chain Monte Carlo (MCMC) sampling to account for uncertainty in MICE model parameters and imputed values. We also include temporally informed initialisation and time-lagged features in the model to respect the sequential nature of time-series data. We evaluate the Bayes-MICE method using two real-world datasets (AirQuality and PhysioNet), and using both the Random Walk Metropolis (RWM) and the Metropolis-Adjusted Langevin Algorithm (MALA) samplers. Our results demonstrate that Bayes-MICE reduces imputation errors relative to the baseline methods over all variables and accounts for uncertainty in the imputation process, thereby providing a more accurate measure of imputation error. We also found that MALA converges faster than RWM, achieving comparable accuracy while providing more consistent posterior exploration. Overall, these findings suggest that the Bayes-MICE framework represents a practical and efficient approach to time-series imputation, balancing increased accuracy with meaningful quantification of uncertainty in various environmental and clinical settings.
• Abstract（参考訳）: 時系列分析は、医療や環境モニタリングなど、いくつかの分野に共通する問題である、欠落したデータに影響されることが多い。 MICE (Multiple Imputation by Chained Equations) は「完全に条件付き仕様」によって欠落した値を計算している。 我々はベイジアンフレームワーク(Bayes-MICE)を用いてMICEを拡張し、マルコフ・チェイン・モンテカルロ(MCMC)サンプリングを通して欠落値をインプットするためにベイジアン推定を利用する。 また、時系列データのシーケンシャルな性質を尊重するために、時間的にインフォームドされた初期化と時間付き特徴をモデルに含めている。 実世界の2つのデータセット(AirQuality と PhysioNet)とRandom Walk Metropolis(RWM)とMetropolis-Adjusted Langevin Algorithm(MALA)を用いてベイズ・マイズ法の評価を行った。 以上の結果から,ベイズマイチは全ての変数に対するベースライン法に対する計算誤差を低減し,計算過程の不確かさを考慮し,より正確な計算誤差の測定を行うことができた。 また、MALAはRWMよりも高速に収束し、より一貫した後続探査を可能にした。 以上の結果から,ベイズ・マイス・フレームワークは,様々な環境・臨床環境における不確実性の有意な定量化と精度の向上を両立させ,時系列計算への実践的かつ効率的なアプローチである可能性が示唆された。

関連論文リスト

• metabeta - A fast neural model for Bayesian mixed-effects regression [22.95834831696185]
  混合効果回帰のためのトランスフォーマーベースニューラルネットワークモデルであるメタベタを提案する。 MCMCに基づくパラメータ推定は,通常要求される時間のごく一部で,安定かつ同等の性能に達することを示す。
  論文  参考訳（メタデータ） (2025-10-08T19:20:00Z)
• 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)
• Impute-MACFM: Imputation based on Mask-Aware Flow Matching [1.9483189922830135]
  Impute-MACFMは、表計算のための条件付きフローマッチングフレームワークである。 無作為性、無作為性、無作為性、無作為性、無作為性に対処する。 軌道は欠落したエントリのみに設定され、予測速度は観測されたエントリでほぼゼロに抑えられる。
  論文  参考訳（メタデータ） (2025-09-27T05:15:09Z)
• MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
  主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。 従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
  論文  参考訳（メタデータ） (2024-08-11T10:24:53Z)
• 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)
• Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
  累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
  論文  参考訳（メタデータ） (2022-12-30T03:03:23Z)
• On Continual Model Refinement in Out-of-Distribution Data Streams [64.62569873799096]
  現実世界の自然言語処理(NLP)モデルは、アウト・オブ・ディストリビューション(OOD)データストリームの予測エラーを修正するために、継続的に更新する必要がある。 既存の継続学習(CL)問題設定は、そのような現実的で複雑なシナリオをカバーできない。 連続モデル改良(CMR)と呼ばれる新しいCL問題定式化を提案する。
  論文  参考訳（メタデータ） (2022-05-04T11:54:44Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。