@techreport{oai:ipsj.ixsq.nii.ac.jp:00197607,
 author = {小島, 亮一 and 和田, 真弥 and 吉原, 貴仁 and Ryoichi, Kojima and Shinya, Wada and Kiyohito, Yoshihara},
 issue = {8},
 month = {Jun},
 note = {データはしばしば欠損し，続くデータ分析や機械学習モデルの作成に悪影響をもたらすためそれらの補間は重要である．本稿はなかでも時系列特性をもつマルチモーダルデータの欠損補間法　｢tsMVAE (time-series multimodal Variational Autoencoder)」 を提案する．単純な補間ではデータにバイアスが生じてしまうことが知られているが，提案手法は VAE (Variational Autoencoder) で時系列マルチモーダルデータに共通の潜在表現を推定し，それから欠損している時系列モーダルデータを生成させることで高精度に補間できる．さらに 「Stand」 や 「Sit」 といった人の行動モーダルを欠損モーダルとし，提案手法で補間させることで行動推定することもできる．欠損を含むデータセットである「OPPORTUNITY Activity Recognition Data Set」 で評価実験をし，「データ欠損の補間」 では単純な補間手法を上回り，「人の行動推定」 では従来手法同等の精度を達成した．, Data is often missing and that results in negative effects on subsequent data analysis and creating machine learning model. In this paper, we propose the missing-data imputation method that is able to deal with time-series multimodal data called "tsMVAE (time-series multimodal variational autoencoder)". The tsMVAE inferences the identical latent representation with VAE (Variational Autoencoder), and generates time-series multimodal data including missing ones while avoiding any bias. Furthermore, by regarding human activities as missing modal data, the tsMVAE also estimates human activities. We do two experiments with the time-series multimodal sensor dataset: "OPPORTUNITY Activity Recognition Data Set". The tsMVAE outperforms the conventional algorithms in terms of imputation more precisely and performs equivalent to the conventional models in terms of estimating human activities.},
 title = {ⅦEによる欠損時系列マルチモーダルデータの補間},
 year = {2019}
}