Bu bildiride, içerisinde eksik bilgi bulunan veri kümesinin Uzun Kısa-Soluklu Bellek (UKSB) sinir ağları ile sıralı bağlanımı çalışılmıştır. UKSB sinir ağını kullanan sıralı bağlanım uygulamalarında veri kümesi genellikle eksiksiz olarak olarak kabul edilir. Ancak, eksik veri problemi sıralı veri içeren gerçek hayat uygulamalarında sıklıkla karşılaşılan bir sorundur. Bu probleme çözüm amacıyla sunulan yöntemlerde eksik veri, sıralı verideki örüntüyü yakalayacak derecede modellenememekte ve bu yüzden yüksek performans artışları görünmemektedir. Bu bildiride, eksik veri, bağlanımı gerçekleştiren UKSB ağı tabanlı sinir ağının kendisi tarafından modellenmekte ve bağlanım sırasında üretilen bu veri kullanılmaktadır. Gerçek hayat uygulamalarından elde edilmiş sırlı veri kümeleriyle yapılan deneylerde, önerilen algoritmanın geleneksel metotlar karşısında üstün performans artışına sahip olduğu gözlemlenmiştir.

We study regression for variable length sequential data suffering from missing samples and introduce a long shortterm memory (LSTM) based sequential regression algorithm. In most sequential regression studies, one considers data sequence is complete, i.e., does not contain any missing data. However, the missing data problem appears in a large number of areas such as finance and medical imaging. The remedies to resolve this problem depends on certain statistical assumptions and imputation techniques. However, the statistical assumptions does not hold in real life and the imputation of artificially generated inputs results in sub-optimal solutions. In our experiments, we achieve significant performance gains with respect to the classical algorithms.