缺失插补更精准
用自监督掩码任务对齐训练与插补，并通过多尺度注意力捕获特征、风机与时间相关性，在带状缺失与特征缺失场景下精度更高。
Yuwei, Fan · Feng, Chenlong · Wu, Rui · 柳超 · 蒋东翔
Knowledge-Based Systems 2024
掩码自编码作为自监督训练方法，使模型在训练阶段就面对与真实插补相同的掩码输入模式，从而在推理时表现更稳定。
四个Transformer阶段在不同尺度上施加注意力，分别捕捉特征级、风机级和时间级的相关性，为插补提供更丰富的信息。
在移位窗口内做局部注意力，将计算复杂度从序列长度的平方降为线性，使多尺度长序列建模可行。
基于风机相关性的特征组合方法显式地将风机间关联引入插补过程，而非依赖模型隐式学习。