Los investigadores proponen ALER-TI, un marco de trabajo aumentado por recuperación para la imputación de series temporales que aprovecha patrones históricos para complementar el contexto local degradado. El componente central, Alineación de Incrustaciones Latentes (LEA), mitiga la discrepancia de representación entre las consultas corruptas y los candidatos históricos completos aplicando enmascaramiento post-hoc en el espacio latente.
- ALER-TI alinea a los candidatos con el patrón de falta de datos de la consulta mientras permite que las incrustaciones históricas se precomputen y almacenen en caché para una recuperación eficiente.
- El marco es agnóstico al modelo e integra con diversas arquitecturas base de imputación a través de un módulo de adaptación ligero.
- Los experimentos en seis conjuntos de datos del mundo real bajo diferentes tasas de falta muestran que ALER-TI mejora consistentemente los modelos base fuertes y mejora la robustez en diversos entornos de imputación.
ALER-TI aborda las limitaciones de las arquitecturas existentes que dependen principalmente del contexto temporal localizado, el cual puede ser insuficiente para dinámicas no estacionarias y correlaciones débiles.