Probabilistic Forecasting of Irregular Time Series via Conditional Flows

要約

欠損値を含む不規則にサンプリングされた多変量時系列の確率的予測は、医療、天文学、気候などの多くの分野で重要な問題です。
このタスクの最先端の方法では、固定形状のパラメトリック分布を仮定して、単一チャネルおよび単一時点での観測値の周辺分布のみを推定します。
この研究では、条件付き正規化フローを使用して、欠損値を含む不規則にサンプリングされた時系列の確率的予測のための新しいモデル ProFITi を提案します。
このモデルは、基礎となる分布の固定形状を仮定することなく、過去の観測およびクエリされたチャネルと時間に条件付けされた時系列の将来の値にわたる結合分布を学習します。
モデルコンポーネントとして、新しい可逆三角形アテンション層と可逆非線形活性化関数を実線全体に導入します。
私たちは 4 つのデータセットに対して広範な実験を実施し、提案されたモデルが以前の最良のモデルよりも $4$ 倍高い尤度を提供することを実証しました。

要約(オリジナル)

Probabilistic forecasting of irregularly sampled multivariate time series with missing values is an important problem in many fields, including health care, astronomy, and climate. State-of-the-art methods for the task estimate only marginal distributions of observations in single channels and at single timepoints, assuming a fixed-shape parametric distribution. In this work, we propose a novel model, ProFITi, for probabilistic forecasting of irregularly sampled time series with missing values using conditional normalizing flows. The model learns joint distributions over the future values of the time series conditioned on past observations and queried channels and times, without assuming any fixed shape of the underlying distribution. As model components, we introduce a novel invertible triangular attention layer and an invertible non-linear activation function on and onto the whole real line. We conduct extensive experiments on four datasets and demonstrate that the proposed model provides $4$ times higher likelihood over the previously best model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google