欠損値を含む多変量時系列データのための再帰型ニューラルネットワーク

実践的な応用例、例えば医療、地球科学、生物学における多変量時系列データは、さまざまな欠損値の特徴を持つことが知られています。時系列予測や関連する他のタスクにおいて、欠損値とその欠損パターンがしばしば目標ラベルと相関していることが指摘されており、これを情報的欠損性（informative missingness）と呼びます。しかし、これらの欠損パターンを活用して効果的な補完を行い、予測性能を向上させる研究は非常に限られています。本論文では、GRU-Dという新しい深層学習モデルを開発し、この分野での初期的な試みの一つとして提案します。GRU-Dは最新の再帰型ニューラルネットワークであるゲーテッド・リカレント・ユニット（Gated Recurrent Unit, GRU）に基づいています。このモデルは、マスキングと時間間隔という二つの欠損パターンの表現を取り入れ、深層モデルアーキテクチャに効果的に組み込むことで、時系列データの長期的な時間依存性を捉えるだけでなく、欠損パターンを利用してより良い予測結果を得ることを目指しています。実世界の臨床データセット（MIMIC-III, PhysioNet）および合成データセットを用いた時系列分類タスクの実験結果から、当該モデルが最先端の性能を達成しており、また時系列分析における欠損値の理解と利用に有用な洞察を提供することが示されました。