L'article propose ALER-TI, un cadre d'imputation de séries temporelles augmenté par la récupération qui exploite les motifs historiques pour compléter le contexte local dégradé. Son composant central, l'Alignement d'Embeddings Latents (LEA), atténue le décalage de représentation entre les requêtes corrompues et les candidats historiques complets en appliquant un masquage post-hoc dans l'espace latent.
- LEA aligne les candidats avec le motif de manquants de la requête tout en permettant aux embeddings historiques d'être pré-calculés et mis en cache pour une récupération efficace.
- Le cadre est indépendant du modèle et s'intègre à divers backbones d'imputation via un module d'adaptation léger.
- Les expériences sur six jeux de données réels montrent qu'ALER-TI améliore constamment les modèles de base solides et renforce la robustesse dans divers paramètres d'imputation.
ALER-TI comble les limites des architectures existantes qui reposent principalement sur le contexte temporel localisé, lequel peut être insuffisant pour les dynamiques non stationnaires et les corrélations faibles.