NeuralPrefix：一种零样态感性数据插补插件

现实感知挑战如传感器故障、通信问题及功率限制，导致数据间歇性，这一问题已削弱了假设数据流连续的传统分类任务。先前研究通过设计专属方案（即任务特定或模态特定插补）来解决此问题。这些方法虽然针对其设计目的有效，但在跨任务和跨传感器模态的适用性上存在局限。这引发了一个重要问题：我们能否构建一个跨任务通用的插补管道，能够在无需额外训练的情况下适用于新型传感器？本文我们正式化了零样态插补的概念，提出一种新方法，使预训练模型能够处理数据间歇性。该框架命名为 NeuralPrefix，是推理期间紧随任务模型前的生成神经组件，填补数据间歇性造成的空隙。NeuralPrefix 作为连续动力系统构建，其内部状态可通过求解常微分方程（ODE）在任意时点估计。该方法克服了任务特定和模态特定解决方案的局限，实现更灵活且可适应的插补方法。我们对 NeuralPrefix 在多个感性数据集进行了全面评估，证明其在各类领域中的有效性。针对 50% 缺失率的间歇数据，NeuralPrefix 能精准恢复所有缺失样本，SSIM 分数达 0.93-0.96。零样态评估表明，NeuralPrefix 能良好地泛化至未见数据集，即使测量来自不同模态。