초록
시계열 데이터는 많은 분류/회귀 작업에서 신호로 널리 사용됩니다. 시계열 데이터에 많은 결측치가 포함되어 있는 것은 매우 흔한 일입니다. 여러 개의 상관 관계가 있는 시계열 데이터가 주어졌을 때, 어떻게 결측치를 채우고 그들의 클래스 라벨을 예측할 수 있을까요? 기존의 결측치 보정 방법들은 종종 상태 공간에서 선형 동역학과 같은 기본 데이터 생성 과정에 강한 가정을 부과합니다. 본 논문에서는 시계열 데이터에서 결측치를 보정하기 위한 새로운 방법인 BRITS(Bidirectional Recurrent Imputation for Time Series)를 제안합니다. 제안된 방법은 특정 가정 없이 양방향 순환 동적 시스템에서 직접 결측치를 학습합니다. 보정된 값들은 RNN 그래프의 변수로 취급되며 역전파 과정 중 효과적으로 업데이트될 수 있습니다.BRITS는 세 가지 장점이 있습니다: (a) 여러 개의 상관 관계가 있는 결측치를 처리할 수 있습니다; (b) 비선형 동역학을 갖는 시계열 데이터에도 일반화됩니다; (c) 데이터 주도적인 보정 절차를 제공하며 결측치가 있는 일반적인 환경에 적용됩니다. 우리는 공기 질 데이터셋, 의료 데이터, 그리고 인간 활동 위치 추적 데이터셋을 포함하는 세 가지 실제 세계 데이터셋에서 모델을 평가했습니다. 실험 결과, 우리의 모델은 결측치 보정 및 분류/회귀 정확도 면에서 최신 방법들을 능가함을 확인하였습니다.