Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series

多元时间序列无处不在。然而，实际时间序列数据经常存在大量缺失值，这就是时间序列插补任务。虽然先前的深度学习方法已被证明对于时间序列插补是有效的，但它们被证明会产生过于自信的插补结果，这可能是对智能系统可靠性的潜在威胁被忽视了。基于分数的扩散方法（即CSDI）对于时间序列插补任务是有效的，但由于生成扩散模型框架的性质而计算成本高昂。在本文中，我们提出了一种非生成时间序列插补方法，它能够产生准确的插补结果，并具有内在的不确定性，同时计算效率高。具体而言，我们将深度集成与共享模型骨干和一系列分位数判别函数结合起来，形成了一种框架。这个框架结合了深度集成和分位数回归的准确不确定性估计的优点，尤其是共享模型骨干极大地减少了多个集成的计算开销。我们在两个实际数据集上检验了所提出方法的性能：空气质量和医疗保健数据集，并进行了广泛的实验，以表明我们的方法在进行确定性和概率预测方面都表现出色。与基于分数的扩散方法：CSDI相比，我们可以获得可比的预测结果，并且在数据缺失更多时表现更好。此外，作为与CSDI相比的非生成模型，所提出的方法消耗的计算开销要小得多，训练速度更快，模型参数更少。

本论文旨在解决多元时间序列缺失值填充问题，并且提出了一种新的非生成式时间序列填充方法。

论文提出了将深度集成和分位数回归结合的框架，通过共享模型骨干和一系列分位数判别函数，实现准确的不确定性估计和高效的计算。

论文在两个真实数据集上进行了实验，展示了该方法在确定性和概率预测方面的优越性能。与基于得分的扩散方法相比，该方法具有可比的预测结果，并且在数据缺失较多时更好。此外，该方法是非生成式的，具有更小的计算开销，训练速度更快，模型参数更少。

最近的相关研究包括：'Deep Learning for Missing Data Imputation: A Review'，'Time Series Imputation via Variational Autoencoder with Generative Adversarial Networks'等。