文章预览
点击 名片 关注并星标 #TSer # 扫下方二维码 ，加入时序人学术星球 参与算法讨论，获取前沿资料 （ 2 0 0 + 篇专栏笔记，已有 180+ 同学加入学习） 在交通和能源管理等现实场景中，常会遇到大量具有缺失值、噪声和不规则采样模式的时间序列数据。尽管目前已经提出了许多插值方法，但大多数倾向于在局部范围内运行，这涉及到将长序列分割成固定长度的片段进行模型训练，这种局部范围往往导致忽略全局趋势和周期性模式。更重要的是，大多数方法假设观测值是在规则的时间戳上采样的，无法处理各种应用中复杂的不规则采样时间序列。此外，大多数现有方法是以离线方式学习的，不适合处理快速到达的流式数据。 本文介绍一篇 ICML 2024 Spotlight 中的研究工作，其中研究者为应对上述挑战， 提出了 BayOTIDE，一种基于功能分解的贝叶斯在线多变量
………………………………
