超越观测：基于重构误差引导的不规则采样时间序列表示学习

不规则采样时间序列 (ISTS)，以非均匀时间间隔和天然缺失性为特征，在实际应用中广泛存在。现有的 ISTS 模型方法主要依赖观测值对未观测值进行插值或推断潜在动力学。然而，这些方法忽略了一个关键的学习信号来源：在模型训练期间产生的重构误差本身。这一误差隐式地反映了模型是否捕获了数据结构， 可作为未观测值的信息性代理。为充分利用这一洞见，我们提出 iTimER，一种简单而有效的 ISTS 表示学习的自监督预训练框架。iTimER 模型化了观测值上重构误差的分布，并通过在抽样误差和最后可用观测值之间的混合策略，为未观测时间戳生成伪观测值。这一方法将未观测时间戳转化为噪声感知的训练目标， 从而实现有意义的重构信号。 Wasserstein 度量在观测区域和伪观测区域之间对齐重构误差分布，而对比学习目标则增强了所学表示的判别性。在分类、插值和预测任务上的大量实验表明，iTimER 在 ISTS 设置下 consistently 优于最先进的方法。