في عالم النمذجة الحديثة، تُعتبر السلاسل الزمنية المتعددة (Multivariate Time Series) من التحديات البارزة التي يحتاج الباحثون إلى التغلب عليها. لقد شهدنا في السنوات الأخيرة تقدمًا ملحوظًا في النماذج الأساسية (Foundation Models)، حيث أصبحت تتوسع لتشمل هذا المجال عبر ظهور مجموعات بيانات ضخمة ومتنوعة. إلا أن العديد من الدراسات السابقة كانت تركز بشكل رئيسي على الانتباه (Attention) عن طريق تعديل الهيكل، مما يفوت أهمية الخصائص الخاصة بالبيانات.

في هذا السياق، تم تقديم مفهوم الاعتماد الجزئي للقناة (Partial Channel Dependence - PCD) لتعزيز نمذجة الاعتماد على القنوات (Channel Dependency - CD) في النماذج القائمة على Transformers. يتضمن هذا المفهوم استخدام قناع القناة (Channel Masks - CMs) الذي يتم دمجه في مصفوفات الانتباه من خلال الضرب عنصريًا. تتكون أقنعة القناة من عنصرين رئيسيين: مصفوفة تشابه تعكس العلاقات بين القنوات، ومعلمات مجالية قابلة للتعلم خاصة بالبيانات تعزز مصفوفة التشابه.

تم اختبار فعالية PCD عبر مجموعة متنوعة من المهام ومجموعات البيانات، مما أثبت تحسنًا كبيرًا في أداء النماذج على الرغم من اختلاف الأسس المستخدمة. يمكنك الاطلاع على الكود الخاص بهذا العمل من خلال الرابط: مستودع Github.

هذا التطور الجديد قد يحدث ثورة في كيفية تعامل النماذج مع البيانات الزمنية المتعددة، مما يتيح للمحللين والباحثين أدوات جديدة لتحليل الأنماط والتوجهات.