في عالم التحليل الزمني، تُعتبر تقديرات السلاسل الزمنية (Time Series Imputation) من الأمور الأساسية التي تساعد في رسم صورة دقيقة للبيانات المتغيرة باستمرار. لكن هذا المجال يواجه تحديات كبيرة نظرًا لتعقيد الديناميكيات الزمنية والضوضاء الموجودة في البيانات الواقعية. تمثل هذه التحديات عائقًا أمام تحقيق نتائج موثوقة.

تظهر الدراسات الحالية نقطتين ضعف رئيسيتين: أولاً، القيم المفقودة والمشاهَدة تتواجد في نفس فضاء التمثيل دون فصل هيكلي واضح، وثانيًا، الأساليب الحالية المعتمدة على الانحلال المستمر تُدرب على توقع الضوضاء المضافة بدلاً من الإشارة الأصلية. لكن فريق البحث قد وجد الحل عبر تقديم نموذج "انحلال السلاسل الزمنية المقنع" (Masked Diffusion Time-series Imputation Model - MDTIM).

يستند نموذج MDTIM إلى إطار تدريبي يعتمد على الانحلال المقنع الذي يتناسب تمامًا مع مهام تقدير القيم المفقودة. يمثل الرمز MASK بشكل هيكلي موازٍ للمشاهدات الصالحة، مما يسمح للنموذج بتوقع القيم الأصلية مباشرة. يُسهم هذا التنسيق في محاذاة كلاً من التمثيل وهدف التعلم مباشرة مع مهمة التقدير.

علاوة على ذلك، لمواجهة الفجوة بين الانحلال المقنع المتقطع والطبيعة المستمرة للسلاسل الزمنية، تم تقديم "التقطيع العشوائي" (Stochastic Discretization)، والذي يقوم بربط القيم المستمرة برموز واعية بالتسلسل بينما يحافظ على الديناميكيات المستمرة.

تؤكد التجارب التي أُجريت على معايير متنوعة أن نموذج MDTIM يتفوق في المرونة وقابلية التوسع، متفوقًا بصورة متسقة على أحدث المعايير التقليدية والتوليدية في سيناريوهات الفقدان المختلفة. إن هذا الابتكار الجديد يُعد خطوة مميزة نحو تحسين تحليل السلاسل الزمنية وتعزيز الدقة في نتائج البيانات.