NIPS2018深度学习(20)|亮点: 双向RNN时间序列;对抗自编码异常检测;脉冲神经网络(论文及代码)...

[1] BRITS: Bidirectional Recurrent Imputation for Time Series

Wei Cao, Dong Wang, Jian Li, Hao Zhou, Yitan Li, Lei Li

Tsinghua University, Duke University, Bytedance AI Lab

https://papers.nips.cc/paper/7911-brits-bidirectional-recurrent-imputation-for-time-series.pdf

时间序列在很多分类或者回归中都会用到。但是，在实际应用中，时间序列可能会包含很多缺失值。给定多个可能有关联的时间序列，补充缺失值同时对类别标签进行预测非常重要。

现有的填补方法通常对潜在的数据生成过程加以较强的假设，比如状态空间中的线性动力学。这篇文章提出一种新的适用于时间序列的缺失值填补方法，简称BRITS，该方法基于循环神经网络。

这种方法利用双向循环动力系统直接学习缺失值，不需要任何特定的假设。填补值可以看做RNN图的变量，利用反向传播可以高效更新。

BRITS具有以下几个优势：

1 可以处理多个相关时间序列中的缺失值

2 可以泛化到带有潜在非线性动力学的时间序列中

3 填补过程是数据驱动的（难道还有不是数据驱动的？），可以用于一般的缺失数据的情形。

作者们在三个真实数据集上进行了实验，空气质量数据集，医疗健康数据集以及人口活动位置数据集。实验表明，该方法不仅在缺失值填补中效果最好，而且在分类或者回归任务中效果也是最好的。

这篇文章的贡献如下

带有缺失值的多变量时间序列示例如下

基于无向动力学的缺失值填补示例如下

几种方法的效果对比如下

其中KNN和MF对应的参考资料为

The elements of statistical learning

Multiple Imputation by Chained Equations (MICE)对应的论文为

Multiple imputation by chained equations:what is it and how does it work? 2011

ImputeTS对应的论文为

imputeTS: Time Series Missing Value Imputation in R, 2017

STMVL对应的论文为

St-mvl: filling missing values in geo-sensory time series data

G