Peneliti mengusulkan ALER-TI, sebuah kerangka kerja imputasi deret waktu yang diperkaya pengambilan yang memanfaatkan pola historis untuk melengkapi konteks lokal yang terdegradasi. Komponen inti, Penyelarasan Embedding Laten (LEA), mengurangi ketidakcocokan representasi antara kueri yang rusak dan kandidat historis lengkap dengan menerapkan masking pasca-hoc di ruang laten.
- ALER-TI menyelaraskan kandidat dengan pola ketidakhadiran kueri sambil memungkinkan embedding historis dihitung sebelumnya dan di-cache untuk pengambilan yang efisien.
- Kerangka kerja ini tidak bergantung pada model dan terintegrasi dengan berbagai backbone imputasi melalui modul adaptasi ringan.
- Eksperimen pada enam dataset dunia nyata di bawah tingkat ketidakhadiran yang berbeda menunjukkan ALER-TI secara konsisten meningkatkan model baseline yang kuat dan meningkatkan ketahanan di berbagai pengaturan imputasi.
ALER-TI mengatasi keterbatasan arsitektur yang ada yang terutama bergantung pada konteks temporal terlokalisasi, yang dapat tidak memadai untuk dinamika non-stasioner dan korelasi lemah.