본 논문은 열화된 지역적 문맥을 보완하기 위해 역사적 패턴을 활용하는 시계열 보간을 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.

  • LEA는 쿼리의 결손 패턴에 맞게 후보를 정렬하면서도 역사적 임베딩의 사전 계산 및 캐싱을 통해 효율적인 검색을 가능하게 합니다.
  • 이 프레임워크는 모델 비종속적이며 경량 적응 모듈을 통해 다양한 보간 백본과 통합됩니다.
  • 6개의 실제 데이터셋에 대한 실험 결과, ALER-TI가 강력한 베이스라인 모델을 일관되게 개선하고 다양한 보간 설정 전반에서 견고성을 향상시킴이 입증되었습니다.

ALER-TI는 주로 지역적 시간 문맥에 의존하는 기존 아키텍처의 한계를 해결합니다. 이러한 접근 방식은 비정상 역동성 및 약한 상관관계에는 불충분할 수 있습니다.