TimeCHEAT：面向不规则采样多变量时间序列分析的通道和谐策略

不规则采样的多变量时间序列（ISMTS）在现实中普遍存在。由于连续观测之间的非均匀间隔以及序列之间不同的采样率，在近期研究中被证明对完整多变量时间序列预测更优的通道独立（CI）策略失效了。这种失效可进一步归因于采样稀疏性，它为有效的CI学习提供了不足的信息，从而降低了其能力。当我们求助于通道依赖（CD）策略时，即使更高的容量也无法缓解在不同通道上学习相似嵌入模式时可能丧失的多样性。我们发现现有工作认为CI和CD策略是互斥的，主要是因为它们将这些策略应用于全局通道。然而，我们认为通道策略不一定必须全局使用。相反，通过适当地局部和全局应用它们，我们可以创造充分利用两种策略的机会。这引导我们引入通道和谐ISMTS Transformer（TimeCHEAT），它在局部使用CD，在全局使用CI。具体来说，我们将ISMTS分割为子序列级别的块。在局部，CD策略在每个块内聚合信息以进行时间嵌入学习，最大化利用相关观测同时减少远距离无关干扰。这里，我们通过使用二分图将嵌入学习转化为边权重预测任务来增强通用性，无需特殊先验知识。在全局，CI策略跨块应用，使Transformer能够为每个通道学习个性化的注意力模式。实验结果表明，我们提出的TimeCHEAT在三个主流任务上展示了具有竞争力的SOTA性能。