Continuous Time Evidential Distributions for Irregular Time Series

要約

医療などの現実世界の多くの環境では、不規則な時系列が蔓延しており、そこから予測を立てるのは困難です。
観測が散発的である場合、その時点での特徴の値を推測することは困難です。これは、最後に観測された時期に応じてさまざまな値をとる可能性があるためです。
この不確実性を特徴付けるために、連続時間における不規則な時系列にわたる証拠の分布を学習する戦略である EDICT を紹介します。
この分布により、関心のある時点でいつでも部分的に観察された特徴について適切に調整された柔軟な推論が可能になると同時に、まばらで不規則な観察に対する不確実性が時間的に拡大します。
EDICT が困難な時系列分類タスクで競争力のあるパフォーマンスを達成し、ノイズの多いデータに遭遇したときに不確実性に基づく推論を可能にすることを実証します。

要約(オリジナル)

Prevalent in many real-world settings such as healthcare, irregular time series are challenging to formulate predictions from. It is difficult to infer the value of a feature at any given time when observations are sporadic, as it could take on a range of values depending on when it was last observed. To characterize this uncertainty we present EDICT, a strategy that learns an evidential distribution over irregular time series in continuous time. This distribution enables well-calibrated and flexible inference of partially observed features at any time of interest, while expanding uncertainty temporally for sparse, irregular observations. We demonstrate that EDICT attains competitive performance on challenging time series classification tasks and enabling uncertainty-guided inference when encountering noisy data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google