缺失值条件下的时间序列分类端到端模型
内容提要
本研究探讨了多种深度学习方法在时间序列缺失值填补中的应用，包括GRU-D、BRITS、GRIN等，强调了不同方法在不同数据集上的表现差异。提出的ST-Impute和tsDataWig方法在插值质量上优于现有技术，展示了处理复杂时间序列数据的潜力，并指出了未来在多变量时间序列插补领域的开放问题。
延伸解读
方法演进：从循环网络到图神经网络
文章梳理了时间序列缺失值插补的深度学习进展：GRU-D利用缺失模式和时间间隔捕获长期依赖；BRITS基于递归神经网络处理多变量缺失；GRIN引入图神经网络学习时空表示，在基准测试中平均绝对误差改善超过20%。这些方法逐步提升了对复杂缺失模式的建模能力，但各自适用于不同场景。
没有通用最优解：插补效果依赖数据特性
一项基于五个健康数据集和六种实验条件的基准研究发现，没有单一插补方法在所有数据集上表现最佳。插补表现取决于数据类型、变量统计、缺失率和缺失类型。这意味着实际应用中需根据数据的具体情况选择方法，而非盲目追求最新模型。
半监督与端到端：ST-Impute和联合模型
ST-Impute结合稀疏自注意力与上下游任务的标签和无标签数据，在插值质量和下游任务上优于监督和非监督方法。另有研究提出端到端模型，在存在缺失值时同时实现预测和插补，表现出更好的综合性能。这些方向表明，将插补与下游任务联合优化是提升效果的重要思路。
概率框架与预训练语言模型的新探索
针对分类任务，有研究提出概率框架，用深度生成模型填补缺失值，并用分类器建模填补不确定性，通过正则化避免无意义解。此外，NuwaTS框架将预训练语言模型重新用于时间序列插补，通过对比学习增强对不同缺失模式的适应性，并在多种数据集上超越领域特定模型。
Q&A
GRU-D模型是如何提高时间序列分类任务的预测性能的？
GRU-D模型利用缺失模式中的缺失值及其时间间隔，成功捕获时间序列中的长期依赖关系，从而提高了分类任务的预测性能。
BRITS方法在处理缺失值时有什么优势？
BRITS是一种基于递归神经网络的填充方法，能够处理多个相关时间序列的缺失值，并在真实数据集上验证了其有效性。
ST-Impute方法与其他插值方法相比有什么优势？
ST-Impute是一种半监督插值方法，结合标签和无标签数据，在插值质量和下游任务结果上优于现有的监督和非监督方法。
GRIN模型是如何处理多变量时间序列的缺失值的？
GRIN使用图神经网络架构，通过信息传递学习时空表示，修复多变量时间序列中的缺失值，表现出超过20%的平均绝对误差改善。
tsDataWig方法的创新之处是什么？
tsDataWig能够直接处理时间变量的值，填补复杂时间序列数据中的缺失值，优于原始DataWig和当前最先进的方法。
在选择缺失值插补方法时需要考虑哪些因素？
插补效果依赖于数据类型、变量统计、缺失率和类型，因此在选择方法时需考虑数据的特定情况。
