TSI-Bench: Benchmarking Time Series Imputation

要約

効果的な代入は、時系列分析にとって重要な前処理ステップです。
時系列補完のための多数の深層学習アルゴリズムが開発されているにもかかわらず、コミュニティには、さまざまな設定にわたる補完パフォーマンスを効果的に評価するための標準化された包括的なベンチマーク プラットフォームが不足しています。
さらに、多くの深層学習予測アルゴリズムは優れたパフォーマンスを実証していますが、そのモデリング成果を時系列代入タスクに移すことができるかどうかは未解明のままです。
これらのギャップを埋めるために、私たちは、深層学習技術を利用した時系列代入のための (私たちの知る限りでは) 最初の包括的なベンチマーク スイートである TSI-Bench を開発しました。
TSI-Bench パイプラインは実験設定を標準化し、代入アルゴリズムの公正な評価と、モデルのパフォーマンスに対するドメインに適した欠損率とパターンの影響についての有意義な洞察の特定を可能にします。
さらに、TSI-Bench は、代入目的に時系列予測アルゴリズムを調整する体系的なパラダイムを革新的に提供します。
多様な欠損シナリオを含む 34,804 件の実験、28 のアルゴリズム、および 8 つのデータセットにわたる広範な研究により、TSI-Bench の多様な下流タスクにおける有効性と、時系列代入研究と分析の将来の方向性を解き放つ可能性が実証されました。
ソース コードと実験ログは https://github.com/WenjieDu/AwesomeImputation で入手できます。

要約(オリジナル)

Effective imputation is a crucial preprocessing step for time series analysis. Despite the development of numerous deep learning algorithms for time series imputation, the community lacks standardized and comprehensive benchmark platforms to effectively evaluate imputation performance across different settings. Moreover, although many deep learning forecasting algorithms have demonstrated excellent performance, whether their modeling achievements can be transferred to time series imputation tasks remains unexplored. To bridge these gaps, we develop TSI-Bench, the first (to our knowledge) comprehensive benchmark suite for time series imputation utilizing deep learning techniques. The TSI-Bench pipeline standardizes experimental settings to enable fair evaluation of imputation algorithms and identification of meaningful insights into the influence of domain-appropriate missingness ratios and patterns on model performance. Furthermore, TSI-Bench innovatively provides a systematic paradigm to tailor time series forecasting algorithms for imputation purposes. Our extensive study across 34,804 experiments, 28 algorithms, and 8 datasets with diverse missingness scenarios demonstrates TSI-Bench’s effectiveness in diverse downstream tasks and potential to unlock future directions in time series imputation research and analysis. The source code and experiment logs are available at https://github.com/WenjieDu/AwesomeImputation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google