実世界のアプリケーションから得られるデータを扱う際、欠損値や不完備な時系列データの処理は労力がかかる、面倒で、避けられないタスクです。効果的な空間時間表現により、異なる場所にあるセンサからの情報を活用して欠損した時系列データを再構築する補完方法が可能になります。しかし、標準的な方法では、相互接続されたセンサネットワーク内に存在する非線形な時間と空間の依存関係を捉えることができず、利用可能な（そしてしばしば強い）関係情報のすべてを十分に活用できません。特に、深層学習に基づく最先端の補完方法の多くは、関係側面を明示的にモデル化せず、また構造化された空間時間データを適切に表現できる処理フレームワークを利用していない場合があります。一方で、グラフニューラルネットワークは最近、関係的帰納バイアスを持つ順次データの処理において表現力がありかつスケーラブルなツールとして急速に注目を集めています。本研究では、多変量時系列データ補完の文脈におけるグラフニューラルネットワークの最初の評価を行います。特に、異なるチャネル内の多変量時系列データの欠損部分をメッセージ伝播を通じて学習した空間時間表現によって再構築することを目指す新しいグラフニューラルネットワークアーキテクチャであるGRIN（Graph-based Recurrent Imputation Networks）を導入します。経験的な結果は、当社のモデルが重要な実世界ベンチマークでの補完タスクにおいて平均絶対誤差改善率が20%を超えることが frecuent であることを示しています。修正版：本研究では、多変量時系列データ補完におけるグラフニューラルネットワークの初めての評価を行いました。具体的には、異なるチャネル内の多変量時系列データの欠損部分をメッセージ伝播を通じて学習した空間時間表現によって再構築することを目指す新しいグラフニューラルネットワークアーキテクチャ「GRIN」(Graph-based Recurrent Imputation Networks) を提案します。経験的な結果は、当社のモデルが重要な実世界ベンチマークでの補完タスクにおいて平均絶対誤差（MAE）改善率が20%を超えることが多いことを示しています。