基于GAN的时序缺失数据填补
文章平均质量分 93
GAN(生成对抗网络)是一种基于深度学习的生成建模方法。Generator本质上是一个降噪自编码器,输入的是一段含有缺失值的时间序列,生成一段相完整时间序列。判别器的loss分为两部分:squared error loss 和 discriminative loss。
wendy_ya
控制类专业在读研究生
展开
-
NAOMI代码详解
上文介绍了NAOMI: Non-Autoregressive MultiresolutionSequence Imputation(非自回归多分辨率序列填补)论文详解,链接如下:https://blog.csdn.net/didi_ya/article/details/125842598,本文介绍其代码实现。原创 2022-07-20 19:42:01 · 677 阅读 · 0 评论 -
NAOMI: Non-Autoregressive MultiresolutionSequence Imputation(非自回归多分辨率序列填补)论文详解
从运动跟踪到物理系统动力学,缺失值填补是时空建模的一个基本问题。深度自回归模型(Deepautoregressivemodels)存在误差传播问题,这对输入长序列来说是灾难性的。本文采用一种非自回归的方法,提出了一种新的深度生成模型非自回归多分辨率填补,用于在给定任意缺失模式的情况下进行长序列的填补。NAOMI利用时空数据的多分辨率结构,采用分而治之的策略从粗粒度到细粒度递归解码。我们通过对抗性训练进一步增强了我们的模型。当对来自确定性和随机动力学系统的基准数据集进行广泛评估时。...原创 2022-07-18 17:19:51 · 683 阅读 · 0 评论 -
BRITS: Bidirectional Recurrent Imputation for Time Series(时间序列的双向递归填补)论文详解
本文提出了一种新的基于递归神经网络(RNN)的时间序列缺失值填补方法。提出的方法直接学习双向递归动力系统中的缺失值,不需要任何特定的假设。将输入值作为RNN图的变量,在反向传播过程中进行有效更新。它具有三个优点(a)可以处理时间序列中的多个相关缺失值;(b)可以推广到具有非线性动力学基础的时间序列;©它提供了一个数据驱动的估算程序,并适用于缺少数据的一般情况。...原创 2022-07-15 17:47:40 · 979 阅读 · 1 评论 -
基于GAN的时序缺失数据填补前言(1)——RNN介绍及pytorch代码实现
本专栏将主要介绍基于GAN的时序缺失数据填补。提起时序数据,就离不开一个神经网络——循环神经网络(Recurrent Neural Network, RNN)。RNN是一类用于处理序列数据的神经网络。RNN对具有序列特性的数据非常有效,它能挖掘数据中的时序信息。因为在介绍时序缺失数据填补,就离不开RNN的身影。本文将介绍循环神经网络RNN,并再次基础上完成基于pytorch的简单RNN代码实现,帮助更加深入了解RNN。关于循环神经网络RNN的介绍可以参考这篇文章:循环神经网络RNN入门介绍。...原创 2022-07-07 17:04:12 · 3658 阅读 · 10 评论