ALER-TI usa alinhamento de embeddings latentes aumentado por recuperação para imputação de séries temporais

Pesquisadores propõem o ALER-TI, um framework aumentado por recuperação para imputação de séries temporais que aproveita padrões históricos para suplementar o contexto local degradado. O componente central, Alinhamento de Embeddings Latentes (LEA), mitiga a discrepância de representação entre consultas corrompidas e candidatos históricos completos aplicando mascaramento post-hoc no espaço latente.

• ALER-TI alinha os candidatos com o padrão de falta da consulta enquanto permite que embeddings históricos sejam pré-computados e armazenados em cache para recuperação eficiente.
• O framework é agnóstico ao modelo e integra-se com várias espinhas dorsais de imputação através de um módulo de adaptação leve.
• Experimentos em seis conjuntos de dados do mundo real sob diferentes taxas de falta mostram que o ALER-TI melhora consistentemente modelos base fortes e aumenta a robustez em diversas configurações de imputação.

O ALER-TI aborda as limitações das arquiteturas existentes que dependem principalmente do contexto temporal localizado, que pode ser insuficiente para dinâmicas não estacionárias e correlações fracas.