Interpolation-Prediction Networks for Irregularly Sampled Time Series
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
在本文中，我们提出了一种新的深度学习架构，用于解决具有稀疏和不规则采样的多变量时间序列的监督学习问题。该架构是基于使用一个半参数插值网络，其次是预测网络的应用程序。插值网络允许在插值阶段跨多变量时间序列的多个维度共享信息，而任何标准的深度学习模型都可以用于预测网络。这项工作的动机是分析电子健康记录中的生理时间序列数据，这些数据是稀疏的，不规则采样的，多变量的。我们研究了这种架构在分类和回归任务上的性能，表明我们的方法优于一系列基线和最近提出的模型。
2019-09-13 cs.LG stat.ML
Estimation of time-delayed mutual information and bias for irregularly and sparsely sampled time-series
提出了一种基于时滞互信息经验偏差估计的时间序列相关性估计方法。特别是，时间延迟的互信息的偏差往往是等价的两个分布的点之间的互信息从同一个系统分离的无限时间。因此，直观地说，偏差的估计被简化为由大的时间间隔分隔的数据点的分布之间的互信息的估计。所提出的偏差估计技术的工作洛伦兹方程数据和葡萄糖时间序列数据的三个病人从哥伦比亚大学医学中心的数据库。
2011-10-07 nlin.CD physics.data-an q-bio.QM
Learning Long-Term Dependencies in Irregularly-Sampled Time Series
IST Austria（奥地利科学技术研究所）；TU Wien（维也纳工业大学）；MIT（麻省理工学院）
具有连续时间隐藏状态的递归神经网络（RNN）非常适合对不规则采样的时间序列进行建模。然而，当输入数据具有长期依赖性时，这些模型面临困难。我们证明，与标准RNN类似，这个问题的根本原因是训练过程中梯度的消失或爆炸。这种现象由隐藏状态的常微分方程（ODE）表示来表示，而不管ODE求解器的选择。我们通过设计一种基于长短期记忆（LSTM）的新算法来提供解决方案，该算法将其记忆与其时间连续状态分离。通过这种方式，我们在RNN中编码了一个连续时间动态流，允许它响应于在任意时滞到达的输入，同时确保通过内存路径的恒定错误传播。我们称这些RNN模型为ODE-LSTM。我们的实验表明，ODE-LSTM在具有长期依赖性的非均匀采样数据上优于基于RNN的高级同行。所有代码和数据都可以在https://github.com/mlech26l/ode-lstms上找到。
2020-12-04 cs.LG stat.ML
Sampling rate-corrected analysis of irregularly sampled time series
不规则采样的时间序列的分析仍然是一项具有挑战性的任务，需要考虑采样分辨率的连续和突然变化而不引入额外的偏差的方法。编辑距离是一种有效的度量，通过计算将一个段转换为另一个段的成本来定量比较长度不等的时间序列段。我们发现，转换成本一般表现出非平凡的关系与本地采样率。如果采样分辨率经历强烈的变化，这种影响阻碍了不同时间段之间的无偏比较。我们研究了这种影响的递归量化分析，一个框架，非常适合于识别非线性时间序列的政权转移。提出了一种约束随机化方法来修正有偏的递归量化测度。这种策略涉及到一种新型的时间序列和时间轴代理，我们称之为采样率约束（SRC）代理的生成。我们证明了所提出的方法的有效性与合成的例子和不规则采样的洞穴沉积物代理记录从纽埃岛在热带太平洋中部。建议的修正方案的应用程序确定了一个虚假的过渡，这仅仅是由突然转变的采样率和揭示与增强ENSO和热带气旋活动的季节性降雨可预测性降低的时期。
2021-12-09 nlin.CD stat.ME
Unleashing The Power of Pre-Trained Language Models for Irregularly Sampled Time Series
HKUST(GZ)（香港科技大学（广州））
本文首次探索预训练语言模型在不规则采样时间序列分析中的潜力，提出统一框架ISTS-PLM，结合时间感知与变量感知PLM，在多个任务和科学领域取得最先进性能。
2025-06-05 cs.AI cs.LG stat.AP
MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis
MIIT Key Laboratory of Pattern Analysis and Machine Intelligence（工信部模式分析与机器智能重点实验室）
针对不规则采样多元时间序列，本文提出由粗到细的多尺度多相关注意力框架MuSiCNet，通过尺度内注意力与相关建模、跨尺度对比和重建校正，在三类任务上达到SOTA竞争力。
2024-12-02 cs.LG stat.ML
Modeling Irregularly Sampled Clinical Time Series
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
虽然电子健康记录（EHR）数据量持续增长，但医院系统捕获密集的生理数据流仍然很少，即使在数据丰富的重症监护室环境中也是如此。相反，典型的EHR记录由稀疏和不规则观测的多变量时间序列组成，这被很好地理解为对机器学习方法提出了特别具有挑战性的问题。在本文中，我们提出了一种新的深度学习架构来解决这个问题，该架构基于使用半参数插值网络，然后应用预测网络。插值网络允许在插值阶段跨多个维度共享信息，而任何标准的深度学习模型都可以用于预测网络。我们调查的性能，这种架构的死亡率和住院时间预测的问题。
2018-12-03 cs.LG stat.ML
Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning
针对现有不规则采样时间序列建模方法忽略重构误差学习信号的问题，提出自监督预训练框架iTimER，利用重构误差生成伪观测值并结合分布对齐与对比学习，在三类任务上性能超越现有最优方法。
2025-11-15 cs.LG stat.ML
Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series
AWS AI Labs（AWS人工智能实验室）；National University of Singapore (NUS)（新加坡国立大学）；Smart Systems Institute, NUS（新加坡国立大学智能系统研究所）
针对不规则采样时间序列的建模难题，提出神经连续-离散状态空间模型（NCDSSM），通过辅助变量分离识别与动态、利用连续-离散滤波进行贝叶斯推断，并在多个基准数据集上实现更优的插补与预测性能。
2023-06-18 cs.AI cs.LG stat.ML
A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data
Key Laboratory of Machine Perception (Ministry of Education), Peking University（北京大学教育部机器感知重点实验室）；School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院）；National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院）；Institute of Medical Technology, Health Science Center, Peking University（北京大学医学部医学技术研究所）
不规则采样时间序列（ISTS）数据具有不规则的观测时间间隔和不同的采样率。ISTS通常出现在医疗保健，经济学和地球科学中。特别是在医疗环境中，广泛使用的电子健康档案（EHR）中含有大量典型的不规则采样医疗时间序列（ISMTS）数据。在EHR数据上开发深度学习方法对于个性化治疗、精确诊断和医疗管理至关重要。然而，直接将深度学习模型用于ISMTS数据具有挑战性。一方面，ISMTS数据具有系列内和系列间的关系。地方和全球结构都应予以考虑。另一方面，方法应考虑任务精度和模型复杂性之间的权衡，并保持通用性和可解释性。到目前为止，已有的许多工作都试图解决上述问题，并取得了良好的效果。本文从技术和任务的角度对这些深度学习方法进行了综述。在技术驱动的视角下，我们将其归纳为两类：基于缺失数据的方法和基于原始数据的方法。在任务驱动的视角下，我们还将其归纳为两大类--数据估算导向型和下游任务导向型。对于每一种方法，我们都指出了它们的优点和缺点。此外，我们实现了一些有代表性的方法，并在四个医疗数据集上进行了比较。最后，我们讨论了这一领域的挑战和机遇。
2020-10-26 cs.LG stat.ML
Unsupervised Online Anomaly Detection On Irregularly Sampled Or Missing Valued Time-Series Data Using LSTM Networks
Bilkent University（比尔肯特大学）；DataBoss A.S.（DataBoss公司）
我们研究异常检测，并介绍了一种算法，处理可变长度，不规则采样序列或序列缺失值。我们的算法是完全无监督的，但是，可以很容易地扩展到监督或半监督的情况下，异常标签存在的整个文件。我们的方法使用长短期记忆（LSTM）网络来提取时间特征，并找到最相关的特征向量进行异常检测。我们通过使用时间调制门来调制标准LSTM模型，将采样时间信息纳入我们的模型。从LSTM中获得最相关的特征后，我们使用支持向量数据描述符（SVDD）模型标记序列。我们引入了一个损失函数，然后联合优化的特征提取和序列处理机制，在一个端到端的方式。通过这种联合优化，LSTM提取了最相关的异常检测特征，随后用于SVDD，因此完全消除了通过专家知识进行特征选择的需要。此外，我们还为在线设置提供了一个训练算法，当新数据到达时，我们使用单个序列优化模型参数。最后，在现实生活中的数据集上，我们表明，由于LSTM与SVDD和联合优化的结合，我们的模型显着优于标准方法。
2020-05-25 cs.LG stat.ML
A Fast Template Periodogram for Detecting Non-sinusoidal Fixed-shape Signals in Irregularly Sampled Time Series
天体物理时间序列中经常包含周期性的信号。来自光度测量的大量且不断增长的时间序列数据要求用于检测和表征此类信号的计算高效的方法。可用于此目的的最有效算法是利用快速傅立叶变换（FFT）的$\mathcal{O}(N\log N)$缩放的那些算法。然而，这些方法对于非正弦信号形状不是最佳的。模板拟合（或周期性匹配滤波器）优化了先验已知信号形状的灵敏度，但计算成本很高。模板周期图的当前实现按比例缩放为$\mathcal{O}(N_f N_{obs})$，其中$N_f$是试验频率的数量，而$N_{obs}$是光变曲线观测的数量，并且由于非凸性，它们不能保证在每个试验频率处的最佳拟合，这可能导致虚假结果。在这项工作中，我们提出了一个非线性扩展的Lomb-Scargle周期图，以获得一个模板拟合算法，这是准确的（除了在病理情况下获得全局最优解）和计算效率（缩放为$\mathcal{O}(N_f\log N_f)$为给定的模板）。在每个频率下的模板拟合的非线性优化被改写为多项式零查找问题，其中多项式的系数可以用非等间距快速傅立叶变换有效地计算。我们表明，我们的方法，它使用截断傅立叶级数近似模板，是一个数量级的速度比现有的算法小的问题（$N\lesssim 10$观测）和2个数量级更快的长基线时间序列与$N_{obs} \gtrsim 10^4$观测。快速模板周期图的开源实现可在https://ww…
2021-02-07 astro-ph.IM stat.AP
Learning dynamical systems from data: A simple cross-validation perspective, part III: Irregularly-Sampled Time Series
KU Leuven（鲁汶大学）
针对非均匀采样时间序列下基于核插值的动力系统学习方法失效的问题，提出在Kernel Flows数据自适应核中加入观测时间差直接近似向量场的方案，在基准测试中兼顾效率与鲁棒性的同时显著提升预测精度。
2024-10-03 cs.LG math.DS stat.CO
TimeAutoML: Autonomous Representation Learning for Multivariate Irregularly Sampled Time Series
Tongji University（同济大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；NEC Laboratories America（美国电气股份有限公司美洲实验室）
多变量时间序列（MTS）数据在不同领域变得越来越普遍，例如，物联网系统、健康信息学和5G网络。为了获得MTS数据的有效表示，不仅必须考虑这些数据的不可预测的动态和高度可变的长度，而且还必须解决MTS的采样率的不规则性。现有的参数方法依赖于手动超参数调整，并且可能花费大量的劳动力。因此，期望自动且有效地学习表示。为此，我们提出了一个自主的表示学习方法的多元时间序列（TimeAutoML）不规则的采样率和可变长度。与以前的工作相反，我们首先提出了一个表示学习流水线，其中配置和超参数优化是全自动的，并且可以针对各种任务进行定制，例如，接下来，开发了一种阴性样本生成方法和一个辅助分类任务，并将其集成到TimeAutoML中，以增强其表示能力。对真实世界数据集的广泛实证研究表明，所提出的TimeAutoML在各种任务上的性能都大大优于竞争方法。事实上，它在所有85个UCR数据集中的78个数据集上实现了所有比较算法中最好的异常检测性能，在AUC得分方面获得了高达20%的性能提升。
2020-10-04 cs.AI cs.LG stat.ML
Detecting and handling outlying trajectories in irregularly sampled functional datasets
离群曲线经常出现在函数或纵向数据集中，并且可能对参数估计器产生非常大的影响，并且很难视觉检测。在这篇文章中，我们将介绍估计的平均值和主成分是抵抗，然后可以用于检测，离群样本轨迹。估计是基于降秩t模型，并专门针对稀疏和不规则采样的功能数据。从理论上和模拟上研究了非污染数据下估计的抗野值性质及其相对效率。互联网流量数据和糖化血红蛋白水平的糖尿病儿童的分析应用。
2010-11-02 stat.AP
Set Functions for Time Series
ETH Zurich（苏黎世联邦理工学院）；SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
尽管深度神经网络取得了巨大的成功，但许多架构通常难以转换为现实世界数据集中常见的不规则采样和异步时间序列，特别是在医疗保健应用中。本文提出了一种新的方法来分类不规则采样的时间序列与不对齐的测量，专注于高的可扩展性和数据效率。我们的方法SeFT（Set Functions for Time Series）基于可微集函数学习的最新进展，具有非常好的并行性和有益的内存占用，因此可以很好地扩展到长时间序列和在线监控场景的大型数据集。此外，我们的方法允许量化每个观察的分类结果的贡献。我们广泛地比较了我们的方法与现有的算法在多个医疗保健时间序列数据集，并证明了它的竞争力，同时显着减少运行时间。
2020-09-14 cs.LG stat.ML
Revealing the temporal dynamics of antibiotic anomalies in the infant gut microbiome with neural jump ODEs
本研究提出基于神经跳跃常微分方程的非均匀采样时间序列异常检测框架，可准确识别合成数据异常，揭示婴儿肠道微生物组抗生素扰动的时间动态特征，且预测抗生素事件性能优于基线方法，为优化干预方案提供支撑。
2025-09-30 cs.LG math.PR q-bio.QM
T-CGAN: Conditional Generative Adversarial Network for Data Augmentation in Noisy Time Series with Irregular Sampling
Politecnico Milano（米兰理工大学）；Harvard University（哈佛大学）
本文提出了一种适用于不规则采样时间序列的数据增强方法--时间条件生成对抗网络（T-CGAN）。我们的方法是基于条件生成对抗网络（CGAN），其中生成步骤是由一个去卷积神经网络和卷积神经网络的判别步骤。生成器和时间序列生成器都以采样时间戳为条件，学习数据和时间戳之间的隐藏关系，从而生成新的时间序列。我们用合成和真实世界的数据集来评估我们的模型。对于合成数据，我们比较了用T-CGAN生成的数据训练的分类器的性能，以及用原始数据训练的相同分类器的性能。结果表明，在T-CGAN生成的数据上训练的分类器与在真实数据上训练的分类器的性能相同，即使是非常短的时间序列和小的训练集。对于现实世界的数据集，我们比较我们的方法与其他技术的数据增强的时间序列，如时间分片和时间扭曲，在分类问题与不平衡的数据集。结果表明，我们的方法总是优于其他方法，在规则采样和不规则采样的时间序列的情况下。我们实现了特别好的性能的情况下，一个小的训练集和短，噪声，不规则采样的时间序列。
2019-02-01 cs.LG stat.ML
Probabilistic Forecasting of Irregular Time Series via Conditional Flows
University of YYY（YYY大学）；Institute of WWW（WWW研究院）
针对带缺失值的不规则多变量时间序列概率预测问题，提出基于条件归一化流的ProFITi模型，引入可逆三角注意力层等组件，在4个数据集上实现比此前最优模型高4倍的似然度。
2025-01-13 cs.LG stat.ML
Novel bivariate autoregressive model for predicting and forecasting irregularly observed time series
在一些学科中，发现在不规则的观测时间测量的时间序列是常见的。特别是在天文学中，有大量的调查，收集信息的不规则的时间间隔和一个以上的通带。一些例子是Pan-STARRS，ZTF和LSST。然而，目前常用的时间序列模型估计的天文光变曲线的时间依赖性（如CIAR，IAR和CARMA模型）考虑每个波段的信息分开，而忽略了可能存在的依赖性，不同的通带之间。本文提出了一种新的不规则采样时间序列的二元模型，称为二元不规则自回归（BIAR）模型。BIAR模型假设每个时间序列具有自回归结构，它是平稳的，并且它允许估计两个不等间隔时间序列之间的自相关性，互相关性和当代相关性。我们在g和r波段的光变曲线上实现了BIAR模型，这些光变曲线是从ALERCE代理处理的ZTF警报中获得的。我们表明，如果两个波段的光变曲线高度相关，该模型具有更准确的预测和预测，使用双变量模型比类似的方法，只使用单变量信息。此外，BIAR的估计参数对于表征长周期变星和区分随机物体的类别很有用，提供了可用于分类目的的有希望的特征
2021-04-25 astro-ph.IM stat.ME
ALRt: An Active Learning Framework for Irregularly Sampled Temporal Data
Emory University（埃默里大学）
脓毒症是一种致命的疾病，影响着医院里的许多病人。最近的研究表明，诊断为脓毒症的患者具有显著的死亡率和发病率，这是由于机体对感染的功能失调的宿主反应。临床医生通常依靠使用序贯器官衰竭评估（SOFA）、全身炎症反应综合征（SIRS）和改良早期预警评分（MEWS）来识别需要进一步检查和治疗的临床恶化的早期体征。然而，这些工具中的许多是手动计算的，并且不是为自动计算而设计的。已经有不同的方法用于开发脓毒症发作模型，但是这些模型中的许多模型必须在足够数量的患者观察上进行训练，以便形成准确的脓毒症预测。此外，脓毒症患者的准确注释是一个主要的持续挑战。在本文中，我们提出了使用主动学习递归神经网络（ALRts）的短期视野，以提高不规则采样的时间事件，如败血症的预测。我们表明，在有限的数据上训练的主动学习RNN模型可以形成与使用整个训练数据集的模型相当的稳健的脓毒症预测。
2022-12-13 cs.LG stat.AP
Estimating a Common Period for a Set of Irregularly Sampled Functions with Applications to Periodic Variable Star Data
我们考虑一组以不规则间隔采样的函数的公共周期的估计。这个问题出现在天文学中，其中函数表示通过不同的光度过滤器随时间观察到的恒星亮度。虽然当前的方法可以精确地估计周期，只要在至少一个滤波器中对亮度进行良好采样，但是没有现有的方法可以在没有对亮度函数进行良好采样时提供精确的估计。在本文中，我们介绍了两种新的方法，用于周期估计时，亮度差采样在所有的过滤器。第一种是多波段广义Lomb-Scargle（MGLS），它扩展了常用的Lomb-Scargle方法，可以简单地跨过滤器组合信息。第二种是惩罚性的广义Lomb-Scargle（PGLS），它建立在第一种的基础上，更智能地在过滤器之间借用力量。具体来说，我们将约束的相位和振幅在不同的功能，使用非凸罚似然函数。我们开发了一个快速算法来优化惩罚似然结合块坐标下降与优化最小化（MM）原则。我们说明了我们的方法合成和真实的天文数据。两者都推进了最先进的周期估计，然而，PGLS显着优于MGLS时，所有功能都非常差-采样。
2014-12-19 astro-ph.IM stat.AP
Evaluating Gaussian processes for sparse irregular spatio-temporal data
介绍了一种评价非规则采样稀疏时间序列的高斯过程回归模型（GPR）性能的实用方法。该方法需要使用细尺度预测来预测GPR中使用的未来观测的二次自回归模型的构建。我们建立了不同的GPR模型的Ornstein-Uhlenbeck和分数过程的模拟玩具数据具有不同的稀疏性水平，以评估该方法的实用性。
2016-11-06 stat.ME
Period Estimation in Astronomical Time Series Using Slotted Correntropy
在这封信中，我们提出了一个方法，从光变曲线的周期估计周期的周期从周期变星使用相关熵。光变曲线是恒星亮度随时间变化的天文时间序列，其特征是噪声和不均匀采样。我们建议使用开槽的时间滞后，以估计相关熵直接从不规则采样的时间序列。提出了一种新的信息论度量，用于区分相关熵谱密度的峰值。开槽相关熵方法优于开槽相关，字符串长度，VarTools（Lomb-Scargle periodogram和方差分析），和SigSpec应用程序的一组光变曲线，从CAMO调查。
2011-12-13 astro-ph.IM cs.IT math.IT
Forecasting West Nile Virus with Graph Neural Networks: Harnessing Spatial Dependence in Irregularly Sampled Geospatial Data
Department of Statistics, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系）；Department of Statistics, Texas A&M University（德克萨斯A&M大学统计系）；Department of Pathobiology, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校病理生物学系）
本文提出由 GraphSAGE 层构成的空间感知图神经网络，对伊利诺伊州不规则采样地理空间数据中的西尼罗河病毒存在情况进行预测，并证明其优于逻辑回归、XGBoost 和全连接神经网络等基线。
2022-12-21 cs.LG q-bio.PE q-bio.QM
Continuous Time Locally Stationary Wavelet Processes
提出连续时间局部平稳小波过程，给出理论谱表示与基于迭代软阈值算法的实际估计方法，并在婴儿心率数据上验证。
2025-03-17 math.ST stat.TH
Still Competitive: Revisiting Recurrent Models for Irregular Time Series Prediction
Department of Computer Science（计算机科学系）；University of Pittsburgh（匹兹堡大学）
GRUwE通过引入指数基函数的门控循环单元，在不规则时间序列预测中实现了与最新方法相当或更优的性能，且具有简单易用和计算高效的优势。
2026-02-18 cs.LG stat.ML
Neural Jump Ordinary Differential Equations: Consistent Continuous-Time Prediction and Filtering
ETH Zurich（苏黎世联邦理工学院）
神经ODE与递归神经网络（RNN）的组合，如GRU-ODE-Bayes或ODE-RNN，非常适合对不规则观测的时间序列进行建模。虽然这些模型优于现有的离散时间方法，但没有理论保证其预测能力。假设不规则采样的时间序列数据来源于一个连续的随机过程，$L^2$ -最优在线预测是给定当前可用信息的条件期望。我们介绍了神经跳跃ODE（NJ-ODE），它提供了一个数据驱动的方法来学习，连续的时间，一个随机过程的条件期望。我们的方法用神经ODE对两个观测值之间的条件期望进行建模，并在每次进行新观测时进行跳跃。我们定义了一个新的培训框架，这使我们能够证明理论保证的第一次。特别是，我们表明，我们的模型的输出收敛到$L^2$ -最优预测。这可以解释为解决一个特殊的过滤问题。我们提供的实验表明，理论结果也持有经验。此外，我们的实验表明，我们的模型在更复杂的学习任务中优于基线，并在现实世界的数据集上进行了比较。
2021-04-16 cs.LG math.PR q-fin.CP
Translating biomarkers between multi-way time-series experiments
在多物种“组学”实验之间转换潜在的疾病生物标志物是生物医学研究的新方向。现有的方法仅限于简单的实验设置，如基本的健康-疾病比较。这些方法中的大多数还需要变量的先验匹配（例如，基因或代谢物）之间的差异。然而，许多实验具有复杂的多途径试验设计，通常涉及不规则采样的时间序列测量，并且例如代谢物并不总是具有生物体之间的已知匹配。我们介绍了一个贝叶斯建模框架之间的翻译多个物种的“组学”实验具有复杂的多路，时间序列试验设计的结果。潜在的假设是，未知的匹配可以从变量对包括时间在内的多个协变量的响应中推断出来。
2010-12-15 stat.ML
DeepAJM: Deep Association Joint Model for Irregularly Sampled data
针对参数化联合模型依赖强假设且易偏差的问题，提出无需参数假设的深度联合模型DeepAJM，利用编码器-解码器学习纵向轨迹并通过可解释关联结构提升生存预测，在三个数据集上取得了最佳判别性能。
2026-10-08 cs.AI cs.LG stat.AP
Modeling Nonlinear Dynamics in Continuous Time with Inductive Biases on Decay Rates and/or Frequencies
NTT Communication Science Laboratories（NTT通信科学实验室）；Osaka University（大阪大学）；RIKEN（理化学研究所）
我们提出了一个神经网络为基础的模型，在连续时间的非线性动力学，可以对衰减率和/或频率施加感应偏差。归纳偏差对于训练神经网络是有帮助的，特别是当训练数据很小时。所提出的模型是基于Koopman算子理论，其中通过限制描述Koopman空间中线性演化的Koopman算子的特征值来使用衰减速率和频率信息。我们使用神经网络来找到一个合适的Koopman空间，它是通过使用不规则采样的时间序列数据最小化多步预测和回溯误差来训练的。在不同时间序列数据集上的实验表明，在单个短训练序列下，该方法比现有方法具有更高的预测性能。
2022-12-26 cs.AI cs.LG math.DS
Distance-based clustering of sparsely observed stochastic processes, with applications to online auctions
我们提出了一个随机过程的两个实现之间的距离，其中每个实现只有稀疏和不规则间隔的测量与额外的测量误差。这种数据通常出现在纵向研究和在线交易数据中。然后，距离测量使得有可能对不规则采样的纵向数据应用基于距离的分析，例如分类、聚类和多维缩放。一旦一个合适的距离测量稀疏采样的纵向轨迹已被发现，我们应用基于距离的聚类方法易趣在线拍卖数据。我们确定了六个不同的集群投标模式。发现这些出价模式中的每一个都与以合理价格获得拍卖物品的特定机会相关联。
2008-11-17 stat.AP stat.ME
Efficient Bayesian functional principal component analysis of irregularly-observed multivariate curves
针对不规则稀疏观测的多元函数曲线，提出贝叶斯分层函数主成分分析框架，通过共享得分借力并利用变分推断高效估计，应用于新冠患者分子病程分析，揭示免疫-炎症-代谢协调动态。
2024-07-20 stat.AP stat.ME
Finding a consensus on credible features among several paleoclimate reconstructions
我们提出了一种方法来合并几个古气候时间序列到一个表现出共识的个人时间序列的功能。古气候时间序列可能是有噪声的，非均匀采样的，并且重建古气候的日期可能有误差。贝叶斯推断用于建模的各种来源的不确定性和平滑的后验分布的共识是用来捕捉其在不同的时间尺度上的可信功能。该技术是通过分析收集的六个全新世温度重建从芬兰拉普兰各种生物代理的基础上证明。虽然该文件侧重于古气候时间序列，所提出的方法可以应用在其他情况下，人们试图推断的功能，共同支持的合奏不规则采样的嘈杂时间序列。
2013-01-08 stat.AP
Modeling Light Curves for Improved Classification
许多天气调查是多次观察天空的大部分。由此产生的光变曲线提供了一个奇妙的窗口，以了解宇宙的动态性质。然而，在分析这些光变曲线方面存在许多重大挑战。其中包括数据的异质性、不规则采样数据、缺失数据、删失数据、已知但可变的测量误差，最重要的是，需要利用这些不完美的光变曲线对天文物体进行实时分类。我们描述了一个基于建模的方法，使用高斯过程回归产生的关键措施，代表这样的光变曲线的分类功能。我们证明，我们的方法进行比较，它与过去的方法更好。最后，我们提供了未来的方向，用于天空调查，这是越来越大的一天。
2014-07-01 astro-ph.IM stat.AP
