Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Nghiên cứu một phương pháp tiếp cận không phụ thuộc vào mô hình và không cần quy kết cho mô hình chuỗi thời gian đa biến lấy mẫu không đều
Created by
Haebom
Tác giả
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 và Anuj Karpatne.
Phác thảo
Bài báo này đề cập đến mô hình chuỗi thời gian đa biến lấy mẫu không đều (IMTS), đóng vai trò quan trọng trong nhiều ứng dụng, trong đó các biến khác nhau có thể bị thiếu tại các thời điểm khác nhau do lỗi cảm biến hoặc chi phí thu thập dữ liệu cao. Các phương pháp IMTS hiện có hoặc xem xét khuôn khổ mô hình hóa quy imputation hai giai đoạn hoặc sử dụng các kiến trúc được thiết kế riêng cho các mô hình và tác vụ cụ thể. Trong bài báo này, chúng tôi tiến hành một loạt các thí nghiệm để có được những hiểu biết mới về hiệu suất của các phương pháp IMTS đối với các tác vụ phân loại và dự đoán trên nhiều tập dữ liệu bán tổng hợp và thực tế. Chúng tôi cũng giới thiệu Mô hình hóa chuỗi thời gian nhận biết tính năng bị thiếu (MissTSM), một phương pháp mới không phụ thuộc vào mô hình và không cần quy imputation cho mô hình IMTS. MissTSM thể hiện hiệu suất cạnh tranh so với các phương pháp IMTS khác trong các điều kiện điển hình, đặc biệt là trong các ứng dụng IMTS thực tế với số lượng giá trị bị thiếu lớn và thiếu cấu trúc tuần hoàn đơn giản trong dữ liệu.
Takeaways, Limitations
•
Takeaways: Chúng tôi đã kiểm chứng bằng thực nghiệm rằng MissTSM vượt trội hơn các phương pháp mô hình IMTS hiện có trên dữ liệu thực tế với nhiều giá trị bị thiếu. Phương pháp này đặc biệt hiệu quả trên dữ liệu không có cấu trúc tuần hoàn đơn giản. Vì là phương pháp độc lập với mô hình và không yêu cầu thay thế, MissTSM có khả năng ứng dụng cao cho nhiều mô hình và dữ liệu.
•
Limitations: Kết quả thử nghiệm được trình bày trong bài báo này có thể bị giới hạn trong một tập dữ liệu và cấu hình cụ thể. Khó có thể khái quát hóa rằng MissTSM hoạt động tốt trên tất cả các loại dữ liệu IMTS. Cần xác thực thêm bằng cách sử dụng nhiều tập dữ liệu và cấu hình thử nghiệm hơn. Hơn nữa, việc phân tích chi phí tính toán và khả năng mở rộng của MissTSM vẫn còn thiếu sót.
