ملء الفجوات: إكمال السلاسل الزمنية المتعددة المتغيرات باستخدام الشبكات العصبية الرسومية

التعامل مع القيم المفقودة والسلسلة الزمنية غير الكاملة هو مهمة مكثفة وملهقة لا مفر منها عند التعامل مع البيانات القادمة من التطبيقات الواقعية. ستسمح التمثيلات الزمانية-المكانية الفعالة لطرق الاستيفاء بإعادة بناء البيانات الزمنية المفقودة من خلال استغلال المعلومات القادمة من أجهزة الاستشعار في مواقع مختلفة. ومع ذلك، فإن الطرق القياسية تفشل في التقاط التبعيات الزمنية والمكانية اللاخطية الموجودة داخل شبكات الأجهزة المستشعرة المتصلة ولا تستفيد بشكل كامل من المعلومات العلائقية المتاحة - والتي غالباً ما تكون قوية. وبشكل ملحوظ، فإن معظم طرق الاستيفاء الأكثر تقدماً المستندة إلى التعلم العميق لا تُنمذج الجوانب العلائقية بشكل صريح، وفي أي حال، لا تستغل الإطارات المعالجة القادرة على تمثيل البيانات الزمانية-المكانية المنظمة بشكل كافٍ. بالمقابل، اكتسبت الشبكات العصبية الرسومية شعبية متزايدة مؤخراً كأدوات تعبر وتتوسع للتعامل مع البيانات التسلسلية ذات التحيزات العلائقية الاستقرائية. في هذا البحث، نقدم أول تقييم للشبكات العصبية الرسومية في سياق استيفاء السلسلة الزمنية متعددة المتغيرات. وبشكل خاص، نقدم هندسة جديدة للشبكة العصبية الرسومية تُعرف باسم GRIN (Graph Relational Imputation Network)، والتي تهدف إلى إعادة بناء البيانات المفقودة في القنوات المختلفة للسلسلة الزمنية متعددة المتغيرات من خلال تعلم التمثيلات الزمانية-المكانية عبر نقل الرسائل. تظهر النتائج التجريبية أن نموذجنا يتفوق على الطرق الأكثر تقدماً في مهمة الاستيفاء على مقاييس عالم الواقع ذات الأهمية بتحسينات في الخطأ المطلق المتوسط غالبًا أعلى بنسبة 20٪.