Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
ÉTude d'une approche indépendante du modèle et sans imputation pour la modélisation de séries chronologiques multivariées à échantillonnage irrégulier
Created by
Haebom
Auteur
Abhilash Neog, Arka Daw, Sepideh Fatemi Khorasgani, Medha Sawhney, Aanish Pradhan, Mary E. Lofton, Bennett J. McAfee, Adrienne Breef-Pilz, Heather L. Wander, Dexter W Howard, Cayelan C. Carey, Paul Hanson et Anuj Karpatne.
Contour
Cet article aborde la modélisation de séries temporelles multivariées à échantillonnage irrégulier (IMTS), un élément crucial dans diverses applications où différentes variables peuvent être manquantes à différents moments en raison d'une défaillance du capteur ou de coûts d'acquisition de données élevés. Les approches IMTS existantes utilisent soit un cadre de modélisation par imputation en deux étapes, soit des architectures adaptées à des modèles et tâches spécifiques. Dans cet article, nous menons une série d'expériences afin d'obtenir de nouvelles informations sur les performances des méthodes IMTS sur les tâches de classification et de prédiction sur divers jeux de données semi-synthétiques et réels. Nous présentons également la modélisation de séries temporelles prenant en compte les caractéristiques manquantes (MissTSM), une nouvelle approche indépendante du modèle et sans imputation pour la modélisation IMTS. MissTSM affiche des performances compétitives par rapport aux autres approches IMTS dans des conditions typiques, en particulier dans les applications IMTS réelles avec un nombre élevé de valeurs manquantes et une absence de structure périodique simple dans les données.
Takeaways, Limitations
•
Takeaways: Nous avons vérifié expérimentalement que MissTSM surpasse les méthodes de modélisation IMTS existantes sur des données réelles comportant de nombreuses valeurs manquantes. Elle est particulièrement efficace sur des données sans structures périodiques simples. Indépendante du modèle et ne nécessitant pas de substitution, elle est parfaitement applicable à un large éventail de modèles et de données.
•
Limitations: Les résultats expérimentaux présentés dans cet article peuvent être limités à des ensembles de données et des paramètres spécifiques. Il est difficile d'affirmer que MissTSM fonctionne bien sur tous les types de données IMTS. Une validation plus poussée est nécessaire en utilisant un éventail plus large d'ensembles de données et de paramètres expérimentaux. De plus, l'analyse du coût de calcul et de l'évolutivité de MissTSM fait défaut.
