研究者らは、劣化した局所的文脈を補完するために歴史的パターンを活用する、時系列補完のための検索拡張フレームワークであるALER-TIを提案する。中核コンポーネントである潜在埋め込み整列（LEA）は、潜在空間における事後マスキングを適用することで、破損したクエリと完全な歴史候補間の表現ミスマッチを緩和する。

  • ALER-TIは、クエリの欠損パターンと候補を整列させながら、歴史的埋め込みの事前計算とキャッシュによる効率的な検索を可能にする。
  • このフレームワークはモデル非依存であり、軽量な適応モジュールを通じて様々な補完バックボーンと統合される。
  • 異なる欠損率での6つの実世界データセット上での実験により、ALER-TIが強固なベースラインモデルを一貫して改善し、多様な補完設定全体で堅牢性を高めることが示された。

ALER-TIは、主に局所的な時間的文脈に依存する既存のアーキテクチャの限界に対処する。これらは非定常ダイナミクスや弱い相関には不十分である可能性がある。