GRU-ODE-Bayes : Modélisation continue de séries temporelles observées de manière sporadique

La modélisation de séries temporelles multidimensionnelles du monde réel peut être particulièrement complexe lorsque celles-ci sont observées de manière sporadique (c'est-à-dire que l'échantillonnage est irrégulier tant dans le temps qu'entre les dimensions), comme c'est le cas pour les données cliniques des patients. Pour relever ces défis, nous proposons (1) une version en temps continu de l'Unité Récursive à Portes (Gated Recurrent Unit, GRU), s'appuyant sur les équations différentielles ordinaires neuronales récentes (Neural Ordinary Differential Equations, Chen et al., 2018), et (2) un réseau de mise à jour bayésienne qui traite les observations sporadiques. Nous combinons ces deux idées dans notre méthode GRU-ODE-Bayes. Nous démontrons ensuite que la méthode proposée encode un a priori de continuité pour le processus latent et qu'elle peut représenter exactement la dynamique de Fokker-Planck des processus complexes dirigés par une équation différentielle stochastique multidimensionnelle. De plus, l'évaluation empirique montre que notre méthode surpasse l'état de l'art tant sur des données synthétiques que sur des données réelles avec des applications dans le domaine de la santé et des prévisions climatiques. Enfin, il est démontré que l'a priori de continuité est bien adapté aux configurations où le nombre d'échantillons est faible.