新的GLAIM框架通过自适应依赖建模增强时间序列插补

研究人员推出了一种新颖的GLAIM框架，旨在通过有效建模全局和局部跨变量依赖来改进多元时间序列插补。该框架包含一个稳定的全局依赖构造器，用于建立稳健的、样本无关的依赖骨干，以及一个样本条件依赖精炼器，用于将此骨干适应于各个时间步和可用观测。在九个真实世界数据集上的实验表明，GLAIM在各种缺失模式和速率下均优于现有方法。 AI

影响 增强时间序列分析的数据预处理能力，可能提高下游机器学习模型的性能。

排序理由 该条目是一篇研究论文，详细介绍了一种新的时间序列插补方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Litmaps
• Sample-Conditioned Dependency Refiner
• ScienceCast
• scite Smart Citations
• Stable Global Dependency Constructor

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →