Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations

要約

不規則なサンプル、データの欠落、複数のセンサーからの不整合な測定など、実世界のデータでよく遭遇する課題に対処するために調整された、時系列補完と予測のための新しいモデリング アプローチを紹介します。
私たちの方法は、系列の進化ダイナミクスの連続時間依存モデルに依存しています。
これは、連続データに対する条件付きの暗黙的なニューラル表現の適応を活用します。
メタ学習アルゴリズムによって駆動される変調メカニズムにより、目に見えないサンプルへの適応と、長期予測のために観察された時間窓を超えた外挿が可能になります。
このモデルは、幅広い困難なシナリオにわたる代入および予測タスクのための、非常に柔軟で統一されたフレームワークを提供します。
従来のベンチマークで最先端のパフォーマンスを実現し、代替の時間連続モデルを上回るパフォーマンスを発揮します。

要約(オリジナル)

We introduce a novel modeling approach for time series imputation and forecasting, tailored to address the challenges often encountered in real-world data, such as irregular samples, missing data, or unaligned measurements from multiple sensors. Our method relies on a continuous-time-dependent model of the series’ evolution dynamics. It leverages adaptations of conditional, implicit neural representations for sequential data. A modulation mechanism, driven by a meta-learning algorithm, allows adaptation to unseen samples and extrapolation beyond observed time-windows for long-term predictions. The model provides a highly flexible and unified framework for imputation and forecasting tasks across a wide range of challenging scenarios. It achieves state-of-the-art performance on classical benchmarks and outperforms alternative time-continuous models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google