填补空白：基于图神经网络的多变量时间序列插补

在处理来自真实世界应用的数据时，处理缺失值和不完整时间序列是一项劳动密集、繁琐且不可避免的任务。有效的时空表示将使插补方法能够通过利用来自不同位置传感器的信息来重建缺失的时间数据。然而，标准方法在捕获互联传感器网络内存在的非线性时间与空间依赖关系方面存在不足，且未充分利用可用的——通常很强的——关系信息。值得注意的是，大多数基于深度学习的最先进插补方法并未显式建模关系方面，且无论如何都未利用能够充分表示结构化时空数据的处理框架。相反，图神经网络近期作为处理具有关系归纳偏置的序列数据的兼具表达力与可扩展性的工具而迅速流行。在本工作中，我们首次评估了图神经网络在多变量时间序列插补背景下的表现。特别地，我们引入了一种名为GRIN的新型图神经网络架构，旨在通过消息传递学习时空表示来重建多变量时间序列不同通道中的缺失数据。实证结果表明，在相关真实世界基准的插补任务上，我们的模型优于最先进方法，平均绝对误差改善常高于20%。