O artigo propõe o ALER-TI, um framework aumentado por recuperação para imputação de séries temporais que aproveita padrões históricos para suplementar o contexto local degradado. Seu 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.
- O LEA alinha os candidatos com o padrão de falta de dados da consulta, permitindo que os embeddings históricos sejam pré-computados e armazenados em cache para recuperação eficiente.
- O framework é agnóstico ao modelo e se integra a várias bases de imputação por meio de um módulo de adaptação leve.
- Experimentos em seis conjuntos de dados do mundo real 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.