BRATI: Bidirectional Recurrent Attention for Time-Series Imputation

要約

時系列分析におけるデータの欠落は重大な課題を引き起こし、下流のアプリケーションの信頼性に影響を与えます。
代入 (欠損値を推定するプロセス) が重要な解決策として浮上しました。
この論文では、双方向リカレント ネットワークとアテンション メカニズムを組み合わせることによって多変量時系列代入に対処するように設計された新しい深層学習モデルである BRATI を紹介します。
BRATI は、逆の時間方向で動作する 2 つの代入ブロックを利用して、長短の時間軸にわたる時間依存性と特徴相関を処理します。
各ブロックは、再帰層とアテンション メカニズムを統合して、長期的な依存関係を効果的に解決します。
ランダムな欠損値、固定長の欠損シーケンス、可変長の欠損シーケンスという多様な欠損データ シナリオの下で 3 つの現実世界のデータセットで BRATI を評価します。
私たちの調査結果は、BRATI が常に最先端のモデルを上回るパフォーマンスを示し、多変量時系列データの代入において優れた精度と堅牢性を提供することを示しています。

要約(オリジナル)

Missing data in time-series analysis poses significant challenges, affecting the reliability of downstream applications. Imputation, the process of estimating missing values, has emerged as a key solution. This paper introduces BRATI, a novel deep-learning model designed to address multivariate time-series imputation by combining Bidirectional Recurrent Networks and Attention mechanisms. BRATI processes temporal dependencies and feature correlations across long and short time horizons, utilizing two imputation blocks that operate in opposite temporal directions. Each block integrates recurrent layers and attention mechanisms to effectively resolve long-term dependencies. We evaluate BRATI on three real-world datasets under diverse missing-data scenarios: randomly missing values, fixed-length missing sequences, and variable-length missing sequences. Our findings demonstrate that BRATI consistently outperforms state-of-the-art models, delivering superior accuracy and robustness in imputing multivariate time-series data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google