要約
時系列データは、多くの分類/回帰タスクにおいて信号として広く使用されています。時系列データに欠損値が含まれることが一般的であり、複数の相関する時系列データが与えられた場合、どのように欠損値を補完し、クラスラベルを予測するかが問題となります。既存の補完方法は、状態空間における線形動態などの基礎となるデータ生成プロセスに対して強い仮定を課すことがよくあります。本論文では、BRITS（Bidirectional Recurrent Imputation for Time Series）と呼ばれる新しい方法を提案します。これは、時系列データの欠損値補完に再帰型ニューラルネットワーク（RNN）を基盤とする手法です。提案した方法は、双方向再帰動態システム内で直接欠損値を学習し、特定の仮定を必要としません。補完された値はRNNグラフの変数として扱われ、逆伝播中に効果的に更新されます。BRITSには以下の3つの利点があります：(a) 複数の相関する欠損値を持つ時系列データに対応できます；(b) 非線形動態を持つ時系列データにも一般化できます；(c) データ駆動型の補完手順を提供し、欠損データが存在する一般的な設定に適用できます。我々は3つの実世界データセットでモデルを評価しました。これらのデータセットには空気質データ、医療データ、人間活動の位置推定データが含まれています。実験結果は、当モデルが既存の最先端手法よりも補完精度と分類/回帰精度において優れていることを示しています。