Temporal Wasserstein Imputation: A Versatile Method for Time Series Imputation
时间 Wasserstein 插补：一种灵活的时间序列缺失值方法AI 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：摘要直接研究时间序列缺失值插补、动态依赖及其分布性质，对应时间序列方法。
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…
时间 Wasserstein 插补：一种灵活的时间序列缺失值方法
- 研究问题
- 对于具有线性或非线性动态的单变量、多变量时间序列，如何在不预先指定模型的情况下插补缺失值，并减少分布偏差？
- 方法与思路
- 作者提出非参数时间 Wasserstein 插补，可纳入取值范围等辅助约束，使用交替最小化算法，并以模拟和地下水数据考察表现。
- 材料陈述的贡献
- 摘要称方法能够减轻插补的分布偏差，证明算法收敛至临界点，并给出底层时间序列边际分布可识别的条件。
- 阅读关注点
- 应核对非系统性缺失的定义、Wasserstein 目标函数和边际分布识别条件，以及临界点收敛与下游推断有效性的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出缺失机制和识别条件，临界点收敛不能直接说明获得全局最优解。
原文摘要
Missing data can significantly hamper standard time series analysis, yet they occur frequently in applications. In this paper, we introduce temporal Wasserstein imputation, a novel method for imputing missing data in time series. Unlike most existing techniques, our approach is fully nonparametric, circumventing the need for model specification prior to imputation, making it suitable for empirical applications even with nonlinear dynamics. Its principled algorithmic implementation can seamlessly handle univariate or multivariate time series with any non-systematic missing pattern. In addition, the plausible range and side information of the missing entries (such as box constraints) can easily be incorporated. Furthermore, our method mitigates the distributional bias common among many existing approaches, ensuring more reliable downstream statistical analysis using the imputed series. We establish the convergence of an alternating minimization algorithm to critical points. We also provide conditions under which the marginal distributions of the underlying time series can be identified. Numerical experiments, including extensive simulations covering both linear and nonlinear time series and an analysis on a real-world groundwater dataset, corroborate the practical usefulness of the proposed method.