功能潜在动力学在非规则采样时间序列预测中的应用

在医疗保健、气候和天文学等多个实际应用中，经常观察到具有缺失值的不规则采样时间序列。这些不规则时间序列对仅适用于完全观测且规则采样的标准深度学习模型构成了重大挑战。为了捕捉不规则时间序列的连续动态，许多模型依赖于在隐藏状态中求解常微分方程（ODE）。然而，这些基于ODE的模型由于顺序操作和复杂的ODE求解器，往往运行缓慢且需要大量内存。作为复杂ODE模型的替代方案，我们提出了一类称为功能潜在动力学（Functional Latent Dynamics, FLD）的模型。我们使用存在于所有时间点的简单曲线来指定模型中的连续潜在状态，而不是求解ODE。这些曲线的系数仅从时间序列中的观测值中学习，忽略缺失值。通过广泛的实验，我们证明了FLD在性能上优于最佳的基于ODE的模型，同时减少了运行时间和内存开销。具体而言，与最佳预测模型相比，FLD进行预测所需的推理时间减少了数量级。