연구자들은 손상된 지역적 문맥을 보완하기 위해 역사적 패턴을 활용하는 시계열 보전을 위한 검색 증강 프레임워크인 ALER-TI를 제안합니다. 핵심 구성 요소인 잠재 임베딩 정렬(LEA)은 잠재 공간에서 사후 마스킹을 적용하여 손상된 쿼리와 완전한 역사적 후보 간의 표현 불일치를 완화합니다.
- ALER-TI는 쿼리의 누락 패턴과 후보를 정렬하면서, 효율적인 검색을 위해 역사적 임베딩을 사전 계산하고 캐싱할 수 있습니다.
- 이 프레임워크는 모델 비종속적이며, 경량 적응 모듈을 통해 다양한 보전 백본과 통합됩니다.
- 서로 다른 누락 비율로 여섯 가지 실제 세계 데이터셋에서 수행된 실험은 ALER-TI가 강력한 베이스라인 모델을 일관되게 개선하고 다양한 보전 설정 전반에 걸쳐 견고성을 향상시킨다는 것을 보여줍니다.
ALER-TI는 주로 지역적 시간 문맥에 의존하는 기존 아키텍처의 한계를 해결합니다. 이는 비정상 역학 및 약한 상관관계에 불충분할 수 있습니다.