ترجمه فارسی مقاله استخراج شبکه‌های پراکنده سوئیچینگ برای مقادیر از دست رفته در سری‌های زمانی چند متغیره

چکیده

Multivariate time series data suffer from the problem of missing values, which hinders the application of many analytical methods. To achieve the accurate imputation of these missing values, exploiting inter-correlation by employing the relationships between sequences (i.e., a network) is as important as the use of temporal dependency, since a sequence normally correlates with other sequences. Moreover, exploiting an adequate network depending on time is also necessary since the network varies over time. However, in real-world scenarios, we normally know neither the network structure nor when the network changes beforehand. Here, we propose a missing value imputation method for multivariate time series, namely MissNet, that is designed to exploit temporal dependency with a state-space model and inter-correlation by switching sparse networks. The network encodes conditional independence between features, which helps us understand the important relationships for imputation visually. Our algorithm, which scales linearly with reference to the length of the data, alternatively infers networks and fills in missing values using the networks while discovering the switching of the networks. Extensive experiments demonstrate that MissNet outperforms the state-of-the-art algorithms for multivariate time series imputation and provides interpretable results.

چکیده به فارسی (ترجمه ماشینی)

داده های سری زمانی چند متغیره از مشکل مقادیر گمشده رنج می برند ، که مانع استفاده از بسیاری از روشهای تحلیلی می شود.برای دستیابی به وضعیت دقیق این مقادیر گمشده ، سوء استفاده از همبستگی با استفاده از روابط بین توالی ها (یعنی یک شبکه) به همان اندازه استفاده از وابستگی زمانی مهم است ، زیرا یک دنباله به طور عادی با سایر توالی ها ارتباط دارد.علاوه بر این ، بهره برداری از یک شبکه کافی بسته به زمان نیز ضروری است زیرا شبکه با گذشت زمان متفاوت است.با این حال ، در سناریوهای دنیای واقعی ، ما معمولاً نه ساختار شبکه را نمی شناسیم و نه وقتی شبکه از قبل تغییر می کند.در اینجا ، ما یک روش تغییر ارزش از دست رفته را برای سری های زمانی چند متغیره ، یعنی MissNet ، پیشنهاد می کنیم که برای سوء استفاده از وابستگی زمانی با یک مدل حالت فضای و همبستگی با تعویض شبکه های پراکنده طراحی شده است.این شبکه استقلال مشروط بین ویژگی ها را رمزگذاری می کند ، که به ما کمک می کند تا روابط مهم را از نظر بصری درک کنیم.الگوریتم ما ، که به صورت خطی با اشاره به طول داده ها مقیاس می یابد ، در عوض شبکه ها را تحت الشعاع قرار می دهد و مقادیر گمشده را با استفاده از شبکه ها در حالی که تغییر شبکه ها را کشف می کند ، پر می کند.آزمایش های گسترده نشان می دهد که Missnet از الگوریتم های پیشرفته برای تحمیل سری زمانی چند متغیره عمل می کند و نتایج قابل تفسیر را ارائه می دهد.