Latent Embedding Alignment

新的ALER-TI框架通过历史数据检索增强时间序列插补

研究人员推出了一种新颖的ALER-TI框架，通过整合历史数据模式来改进时间序列插补。这种检索增强方法解决了现有深度学习方法主要依赖局部时间上下文的局限性。ALER-TI利用潜在嵌入对齐（LEA）来弥合损坏数据查询和完整历史示例之间的差距，从而能够更准确地重建缺失值。该框架与模型无关，允许其与各种插补骨干集成，并在多个真实世界数据集上展示了一致的性能提升。