MuSiCNet：用于不规则采样多变量时间序列分析的渐进式粗到细框架

不规则采样的多变量时间序列 (ISMTS) 在现实中十分常见。大多数现有方法将 ISMTS 视为带缺失值的同步定期采样时间序列，忽略了不规则性主要归因于采样率变化这一事实。在本文中，我们提出了一种新视角，认为不规则性在某种意义上是相对的。通过人为确定的从低到高的采样率，不规则采样的时间序列可转化为从粗到细的层次化相对定期时间序列。我们观察到，额外的粗粒度相对定期序列不仅在某种程度上缓解了不规则采样的挑战，还包含更广泛的时间信息，从而为表示学习提供了有价值的资产。因此，遵循``先看大局，再深入细节''的学习哲学，我们提出了多尺度和多相关注意力网络 (MuSiCNet)，结合多个尺度来迭代细化 ISMTS 表示。具体而言，在每个尺度内，我们探索时间注意力和频率相关矩阵，以聚合序列内和序列间信息，自然地通过更丰富和更内在的细节增强表示质量。在相邻尺度之间，我们采用包含对比学习和重建结果调整的表示校正方法，以进一步提高表示的一致性。MuSiCNet 是一个 ISMTS 分析框架，在三个主流任务中均与 SOTA 相竖争，包括分类、插值和预测。