Generative-Semi-supervised-Learning-for-Multivariate-Time-Series-Imputation

一篇来自 AAAI’21 的关于数据补全的work，文章链接 Link

background

对于一段时序数据，包含时序特征和标签。

对于一些具有残缺标签的残缺时序特征，如何进行残缺时序补全

Label 是什么？

针对有些特殊的时序数据，比如病患入院情况，除了正常的一些时序数据如心跳，脉搏等，还有一些特殊情况的标签数据

基本上现有的模型很多都未考虑到真实数据本身具有残缺的问题

传统统计学模型效率较低

一些深度学习模型

从给予RNN 到基于GAN

他们都没有结合补全和数据分析part

该工作更加接近于BRITS，然而BRITS在训练阶段需要完整的数据，会导致在真实情况下有问题

提出了一个具有半监督功能的GAN （SSGAN），其中主要用到了BiRNN作为时序特征提取

method

首先对时序残缺补全问题定义了一些基本概念

然后阐释了BIRNN

接着分别对SSGAN中的Generator， discriminator，classifier三个part分别讲解

Experiement

在三个数据集上进行了验证

Idea

主要针对了带有标签的残缺数据，相较于🈚️标签交通的交通数据集略有区别

亮点：

• 在残缺数据补全上比较早的引入了半监督学习
• 设计了一个整体不错的模型
• 具有数学分析
• 行文流畅通顺

不足：

• 问题适用性范围较小
• 实验做得显得少，分析不够完备