【ICLR2022】图神经网络复杂时间序列建模

在许多领域，包括医疗保健、生物和气候科学，时间序列是不规则的采样，连续读数之间的时间间隔不同，不同的变量子集(传感器)在不同的时间点观测。在收集传感器测量数据时，经常存在一些实际问题，这些问题会导致各种类型的不正常现象，例如成本节约、传感器故障、物理场景中的外部力量、医疗干预等等。

虽然时间序列的机器学习方法通常假设完全可观察和固定大小的输入，但不规则采样的时间序列提出了相当大的挑战。例如，传感器的观测结果可能没有对齐，相邻读数之间的时间间隔可能因传感器而异，不同的样本可能在不同的时间记录不同数量的读数。

我们介绍Raindrop，一个图神经网络，学习嵌入不规则采样和多元时间序列，同时学习传感器的动态纯粹从观察数据。Raindrop可以处理不对齐的观测、变化的时间间隔、任意数量的观测，从而通过神经信息传递和时间自注意力产生固定维嵌入。

RAINDROP将每个样本表示为一个单独的传感器图，并使用一种新的消息传递操作符对传感器之间的时变依赖关系进行建模。它估计了潜在的传感器图结构，并利用该结构与附近的观测结果预测误差读数。这个模型可以解释为一个图神经网络，它通过为捕捉传感器之间时变依赖关系而优化的图发送消息。我们使用RAINDROP对三个医疗保健和人类活动数据集进行时间序列分类和解释时间动态。RAINDROP的表现比最先进的方法高出11.4%(绝对f1得分)，包括使用固定离散化和集合函数处理不规则采样的技术。RAINDROP在不同的设置中显示了优势，包括具有挑战性的离开传感器的设置。

https://zitniklab.hms.harvard.edu/projects/Raindrop/