BRITS:Bidirectional-Recurrent-Imputation-for-Time-Series

一篇来自 NIPS’18 的关于数据补全的经典work，文章链接 Link

background

文章背景较早，不具体展开

主要通过应用RNN结构来解决时序数据种残缺的问题

Contribution（总结）：

1. 在RITS-I中，介绍了如何将残缺时许数据输入至一段RNN中（使用前一段输出预估当前残缺）

2. 使用双向RNN分别进行补全，收敛更快，且更合理

3. 后续针对具有关联的时序数据进行了优化

method

首先对时序残缺补全问题定义了一些基本概念

老三样

时序特征，残缺标志矩阵，time-lag矩阵

然后开始核心！！！

4.1 Unidirectional Uncorrelated Recurrent Imputation

RITS-I

如何将残缺时许数据输入至一段RNN中（使用前一段输出预估当前残缺）

在实践中有一个问题，提督无法计算的问题，有点难以理解4.1.2 part

然后介绍了双向的 BRITS-I

最后通过对输入部分计算方式进行优化来结合时序数据中的相关性

Experiement

在三个数据集上进行了验证

Idea

虽然中间提到了label进行训练，但感觉将label去除后也很容易进行train，很好直接用于无标签时序上

亮点：

• 在残缺数据补全上比较早的方案，而且后续他人改进方案很多
• 双向RNN的结构十分合理
• 整体分析讲解附有条理

不足：

• 代码好难读。。。