从重建到插补：针对时间序列通道缺失的测试时优化

arXiv:2611.06612v1 公告类型：新提交 摘要：传感器通道完全失效会造成一种棘手的时间序列缺失情形：无法进行局部插值，而为每种失效模式部署单独训练的插补模型可能并不现实。我们探讨了这样一个问题：能否将未经人工掩码增强训练、随后被冻结的序列重建模型，在推理时转化为插补模型。我们的方法将每个测试窗口中的缺失项视为优化变量，固定所有观测值，并通过冻结模型进行反向传播，仅最小化观测位置上的重建误差。由此得到的观测自洽性目标，既不要求在重建模型训练期间使用人工掩码增强，也不要求使用整通道丢弃。我们通过缺失输入到观测残差的交叉雅可比矩阵，刻画这种优化何时能够提供有效信息，并在该耦合较弱时采用可选的时间平滑先验。在五个真实世界数据集和四种重建架构上，每个测试窗口均恰好有一个通道被人为掩蔽；与单次前向重建相比，不使用先验的测试时优化在20种数据集与骨干网络组合中的19种上降低了MAE。与在标准结构化掩码或匹配的整通道丢弃条件下训练的掩码感知插补模型相比，表现最佳的优化后重建模型在两个数据集上取得了最低MAE，在另外三个数据集上则落后于最强基线。这些性能提升需要显著增加推理时间，且对跨通道耦合较为敏感。我们的结果表明，测试时自洽性可作为冻结重建模型的一种有条件适用的推理时适配机制，在无需重新训练重建模型的情况下，为掩码感知插补提供补充。