불규칙 다변량 시계열(IMTS) 예측은 다채널 신호의 비정렬 특성과 광범위한 결측 데이터의 존재로 인해 어려움을 겪는다. 기존 방법들은 상당한 결측값으로 인해 이러한 데이터에서 신뢰할 수 있는 시간 패턴을 포착하는 데 어려움을 겪는다. 사전 훈련된 기반 모델은 이러한 과제를 해결할 가능성을 보여주지만, 일반적으로 규칙적으로 샘플링된 시계열(RTS)용으로 설계되었다. 본 논문에서는 시각적 마스크 오토인코더(MAE)의 희소 다채널 정보 모델링에 대한 강력한 기능과 RTS 예측에서의 성공을 바탕으로 IMTS 예측을 위한 프레임워크인 VIMTS를 제안한다. 결측값의 영향을 완화하기 위해, VIMTS는 먼저 시간선을 따라 IMTS를 동일한 간격으로 특징 패치로 처리한다. 그런 다음 학습된 채널 간 종속성을 사용하여 이러한 패치를 보완한다. 그런 다음 시각적 MAE의 희소 다채널 데이터 처리 기능을 활용하여 패치 재구성을 수행하고, 초점이 맞춰진 컨텍스트에서 정확한 예측을 생성하기 위해 세밀화 기법을 사용한다. 또한, 시각적 MAE를 IMTS 데이터에 적용하여 자기 지도 학습을 통합하여 IMTS 모델링을 개선한다. 광범위한 실험은 VIMTS의 우수한 성능과 소수 샘플 기능을 보여주며, 더 일반적인 시계열 작업에서 시각적 기반 모델의 적용을 발전시킨다. 코드는 https://github.com/WHU-HZY/VIMTS 에서 이용 가능하다.
