Latent-driven Imputation and Forecasting for partially observed Time Series (LIFTS)
部分观测时间序列的潜变量驱动插补与预测：LIFTSAI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究部分观测多变量时间序列的潜在动态与未来预测，因此对应时间序列和预测方法方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
部分观测时间序列的潜变量驱动插补与预测：LIFTS
- 研究问题
- 当多变量时间序列的观测模式含有信息时，如何联合恢复缺失测量与预测未来轨迹，并让缺失模式参与潜在状态推断？
- 方法与思路
- 作者让潜过程共同控制完整测量轨迹与观测掩码，以前向过滤和自回归预测、后向平滑和多重插补架构，结合掩码能量评分与自掩码训练。
- 材料陈述的贡献
- 摘要称建立了前向与后向分布表示，并为特定结构子类提供完整联合分布识别与一致性保证；模拟和医疗数据应用报告了预测与计算表现的改善。
- 阅读关注点
- 应核对潜过程如何连接测量与观测机制、结构子类的识别条件，以及自掩码训练、预测区间校准和基准比较的具体设置。
- 阅读边界
- 仅据 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；识别条件、性能数值及适用边界未说明。
原文摘要
Partially observed multivariate time series pose two coupled challenges: recovering missing measurements and forecasting future trajectories when observation patterns are informative. Existing methods often assume ignorable missingness or use the mask only as an auxiliary input. We propose LIFTS (Latent-driven Imputation and Forecasting for partly observed Time Series), a probabilistic framework in which a latent process jointly governs the complete measurement trajectory and observation mask, allowing observation patterns to inform latent-state inference for both forecasting and imputation. LIFTS combines flexible neural-network parameterizations with a forward-backward architecture: the forward pass performs filtering and autoregressive forecasting, while the backward pass performs smoothing and conditional multiple imputation. The model and inference components are trained jointly using a masked energy score and self-masking. We establish forward-backward distributional representations for the general framework and, for an explicit structural subclass, provide full-law identification and consistency guarantees. Simulations and an application to PhysioNet 2019 show that LIFTS provides accurate point predictions, improved distributional accuracy, and well-calibrated predictive intervals; it outperforms competing methods particularly when training data are limited and has substantially faster inference than the diffusion-based baseline.