Llenando los Gₐpₛ: Imputación de Series de Tiempo Multivariantes por Redes Neuronales de Grafos

Lidiar con valores faltantes y series de tiempo incompletas es una tarea laboriosa, tediosa e inevitable al manejar datos provenientes de aplicaciones del mundo real. Representaciones espaciotemporales efectivas permitirían que los métodos de imputación reconstruyan datos temporales faltantes aprovechando la información procedente de sensores en diferentes ubicaciones. Sin embargo, los métodos estándar no logran capturar las dependencias no lineales de tiempo y espacio que existen dentro de redes de sensores interconectados y no aprovechan al máximo la información relacional disponible, que a menudo es fuerte. Notablemente, la mayoría de los métodos de imputación de vanguardia basados en aprendizaje profundo no modelan explícitamente aspectos relacionales y, en cualquier caso, no explotan frameworks de procesamiento capaces de representar adecuadamente datos espaciotemporales estructurados. En cambio, las redes neuronales de grafos han aumentado recientemente en popularidad como herramientas expresivas y escalables para procesar datos secuenciales con sesgos inductivos relacionales. En este trabajo, presentamos la primera evaluación de las redes neuronales de grafos en el contexto de la imputación de series de tiempo multivariantes. En particular, introducimos una nueva arquitectura de red neuronal de grafos, llamada GRIN, que tiene como objetivo reconstruir datos faltantes en los diferentes canales de una serie de tiempo multivariante mediante el aprendizaje de representaciones espaciotemporales a través del paso de mensajes. Los resultados empíricos muestran que nuestro modelo supera a los métodos de vanguardia en la tarea de imputación en benchmarks relevantes del mundo real, con mejoras en el error absoluto medio que a menudo superan el 20%.