HELIX：基于可学习身份与跨维度合成的混合编码时间序列插值
机器学习
2026-05-05 v1 人工智能
摘要
时间序列插值受益于利用跨特征相关性，但现有注意力方法在每一层重新发现特征关系，缺乏持久锚点维持一致的表示。为此，我们提出HELIX，通过为每个特征分配可学习的特征身份（learnable feature identity），创建捕获内在语义属性的持久嵌入，贯穿整个网络。不同于依赖预定义拓扑并假设空间关系均匀的图方法，HELIX端到端地从时间共变中学习任意特征依赖，自然处理特征混合空间位置与语义变量的数据集。结合混合时序-特征注意力机制，HELIX在5个公开数据集上的21个实验设置中超越所有16个基线，实现最先进的性能。进一步的机制分析表明，HELIX在各层逐渐地将学习到的特征身份和依赖与潜在物理与语义结构对齐，表明其更有效地将跨特征结构转化为插值准确性。
引用
@article{arxiv.2605.02278,
title = {HELIX: Hybrid Encoding with Learnable Identity and Cross-dimensional Synthesis for Time Series Imputation},
author = {Fengming Zhang and Wenjie Du and Huan Zhang and Ke Yu and Shen Qu},
journal= {arXiv preprint arXiv:2605.02278},
year = {2026}
}
备注
Accepted at ICML 2026 (spotlight paper)