arXiv cs.AI· Bj\"orn Ludwig, Alexander Windmann, Ren\'e Heesch, Oliver Niggemann·· 10 小时前AI 评分29
从重建到插补：面向缺失时间序列通道的测试时优化
From Reconstruction to Imputation: Test-Time Optimization for Missing Time-Series Channels
AI 导读
一种将冻结的序列重建模型在推理时转为插补器的方法：把每个测试窗口的缺失项当作优化变量，仅对观测坐标反向传播最小化重建误差，无需人工掩码增强或全通道丢弃训练。在五个真实数据集、四种重建架构、每窗口掩一个通道的设置下，无先验测试时优化在 20 个数据集-骨干组合中的 19 个降低了 MAE；最优精炼重建器在其中两个数据集上取得最低 MAE，另三个数据集上落后最强基线。
正文 · AI 翻译
摘要：完整的传感器通道故障构成了一种困难的时间序列缺失形式：局部插值不可用，而且为每一种故障模式单独部署一个训练好的插补器可能并不现实。我们提出的问题是：一个在训练时未使用人工掩码增强、随后被冻结的序列重建器，能否在推理时被转换为插补器。我们的方法将每个测试窗口中的缺失条目视为优化变量，固定所有观测值，并通过冻结模型进行反向传播，仅在观测坐标上最小化重建误差。由此得到的观测自一致性目标既不需要人工掩码增强，也不需要重建器训练期间的全通道丢弃。我们通过从缺失输入到观测残差的交叉雅可比矩阵来刻画这种细化何时具有信息量，并在该耦合较弱时使用可选的时间平滑先验。在五个真实世界数据集上（每个测试窗口恰好合成掩码一个通道）以及四种重建架构下，无先验的测试时细化在 20 个数据集-骨干组合中的 19 个上相对于单次重建降低了 MAE。与在标准结构化掩码或匹配的全通道丢弃下训练的掩码感知插补器相比，最佳细化重建器在两个数据集上取得了最低的 MAE，在三个数据集上落后于最强基线。这些增益需要显著更多的推理时间，并且对跨通道耦合敏感。我们的结果确立了测试时自一致性作为一种用于冻结重建模型的条件推理时适配器，它补充了掩码感知插补，而无需重新训练重建器。
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| 引用为： | arXiv:2611.06612 [cs.LG] |
| （或 arXiv:2611.06612v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06612 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：René Heesch [查看电子邮件]
[v1]
2026年11月4日星期三 14:59:22 UTC（436 KB）
来源：arXiv cs.AI · arxiv.org