Filling out the missing gaps: Time Series Imputation with Semi-Supervised Learning

要約

タイトル：欠損箇所の充填：半教師あり学習による時系列の補間

要約：

– 時系列における欠損データは、データの落ち込みやセンサーの故障などの問題によって発生し、時系列解析に影響を与える困難な課題である。
– 補間方法を用いてこれらの値を補充し、補間品質が分類などの下流タスクに重要な影響を与える。
– この研究では、教師ありと教師なしの時系列補間方法の優れた性能を実証する、半教師あり補間方法であるST-Imputeを提案する。
– ST-Imputeは、スパース自己注意に基づいており、補間プロセスを模倣するタスクでトレーニングされる。
– 実験の結果、提案された方法は、補間品質だけでなく、補間された時系列を取り込む下流タスクに対しても、既存の教師ありと教師なしの時系列補間方法よりも優れた性能を示した。

要約(オリジナル)

Missing data in time series is a challenging issue affecting time series analysis. Missing data occurs due to problems like data drops or sensor malfunctioning. Imputation methods are used to fill in these values, with quality of imputation having a significant impact on downstream tasks like classification. In this work, we propose a semi-supervised imputation method, ST-Impute, that uses both unlabeled data along with downstream task’s labeled data. ST-Impute is based on sparse self-attention and trains on tasks that mimic the imputation process. Our results indicate that the proposed method outperforms the existing supervised and unsupervised time series imputation methods measured on the imputation quality as well as on the downstream tasks ingesting imputed time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI