Dynamiques latentes fonctionnelles pour la prévision de séries temporelles irrégulièrement échantillonnées

Les séries temporelles échantillonnées de manière irrégulière avec des valeurs manquantes sont fréquemment observées dans de nombreuses applications réelles, telles que la santé, le climat et l'astronomie. Elles posent un défi considérable aux modèles d'apprentissage profond standards, qui ne fonctionnent qu'avec des séries temporelles entièrement observées et régulièrement échantillonnées. Pour capturer les dynamiques continues des séries temporelles irrégulières, de nombreux modèles s'appuient sur la résolution d'une Équation Différentielle Ordinaire (EDO) dans l'état caché. Ces modèles basés sur les EDO ont tendance à être lents et nécessitent une grande mémoire en raison des opérations séquentielles et d'un solveur d'EDO complexe. En alternative aux modèles basés sur les EDO complexes, nous proposons une famille de modèles appelée Dynamiques Latentes Fonctionnelles (FLD). Au lieu de résoudre l'EDO, nous utilisons des courbes simples qui existent à tous les instants pour spécifier l'état latent continu dans le modèle. Les coefficients de ces courbes sont appris uniquement à partir des valeurs observées dans la série temporelle, ignorant les valeurs manquantes. À travers des expériences approfondies, nous démontrons que FLD atteint de meilleures performances par rapport au meilleur modèle basé sur les EDO tout en réduisant le temps d'exécution et la surcharge mémoire. Plus précisément, FLD nécessite un ordre de grandeur moins de temps pour inférer les prévisions par rapport au modèle de prévision le mieux performant.