BRITS : Imputation récurrente bidirectionnelle pour les séries temporelles

Les séries temporelles sont largement utilisées comme signaux dans de nombreuses tâches de classification et de régression. Il est courant que ces séries contiennent de nombreuses valeurs manquantes. Étant donné des données de plusieurs séries temporelles corrélées, comment remplir les valeurs manquantes et prédire leurs étiquettes de classe ? Les méthodes d'imputation existantes imposent souvent des hypothèses fortes sur le processus sous-jacent de génération des données, telles que des dynamiques linéaires dans l'espace d'état. Dans cet article, nous proposons BRITS, une nouvelle méthode basée sur les réseaux neuronaux récurrents pour l'imputation des valeurs manquantes dans les données de séries temporelles. Notre méthode propose d'apprendre directement les valeurs manquantes dans un système dynamique récurrent bidirectionnel, sans aucune hypothèse spécifique. Les valeurs imputées sont traitées comme des variables du graphe RNN et peuvent être efficacement mises à jour lors de la rétropropagation.BRITS présente trois avantages : (a) il peut gérer plusieurs valeurs manquantes corrélées dans les séries temporelles ; (b) il se généralise aux séries temporelles avec des dynamiques non linéaires sous-jacentes ; (c) il fournit une procédure d'imputation orientée par les données et s'applique à des configurations générales avec des données manquantes. Nous évaluons notre modèle sur trois ensembles de données réels, incluant un ensemble de données sur la qualité de l'air, un ensemble de données médicales et un ensemble de données de localisation pour l'activité humaine. Les expériences montrent que notre modèle surpassent les méthodes les plus avancées actuellement disponibles en termes d'exactitude tant pour l'imputation que pour la classification/régression.