## Memo - [[PyPOTS]]の論文。 ## Abstract どこにでもある欠損値は、多変量時系列データの部分的な観測を引き起こし、時系列の完全性を破壊し、効果的な時系列データ分析を妨げる。近年、[[深層学習|ディープラーニング]]を用いたインピュテーション手法が、破損した時系列データの品質を向上させ、その結果、下流のタスクにおけるパフォーマンスを向上させるという顕著な成功を示している。本稿では、最近提案されたディープラーニング・インピュテーション手法に関する包括的なサーベイを行う。まず、レビューされた手法の分類法を提案し、次に、これらの手法の長所と限界を強調することで、これらの手法の構造的レビューを提供する。また、様々な手法を研究し、下流タスクに対する強化を比較するために実証実験を行う。最後に、多変量時系列インピュテーションに関する今後の研究のための未解決の課題を指摘する。定期的にメンテナンスされる多変量時系列インピュテーション論文リストを含む、本研究の全てのコードと構成は、GitHubリポジトリ～url{このhttps URL_Imputation}で見ることができる。