这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
作者与机构
本研究的核心作者包括Xiaodan Chen、Xiucheng Li（通讯作者）、Bo Liu和Zhijun Li（通讯作者），他们分别来自哈尔滨工业大学计算机科学与技术学院及哈尔滨工业大学（深圳）计算机科学与技术学院。该研究以《Biased Temporal Convolution Graph Network for Time Series Forecasting with Missing Values》为题，发表于2024年的ICLR（International Conference on Learning Representations）会议。
学术背景
研究领域与动机
该研究属于多元时间序列预测（multivariate time series forecasting）领域，重点关注缺失值处理这一现实挑战。在实际应用中（如气象监测、交通管理、经济规划等），传感器故障或数据采集成本常导致时间序列数据存在部分缺失。传统方法通常采用“两步走”策略：先填补缺失值，再进行预测。但这种方法会导致误差累积，影响预测性能。现有研究或仅关注完整数据预测（如Transformer、GNN模型），或仅解决缺失值填补（如BRITS、GRIN），缺乏对两者联合建模的探索。
研究目标
作者提出Biased Temporal Convolution Graph Network（BiTGraph），旨在通过以下创新解决上述问题：
1. 联合建模时空依赖：同时捕捉时间维度（单变量序列内部）和空间维度（多变量间）的关联；
2. 显式处理缺失模式：在模型架构中直接嵌入缺失值信息，而非依赖独立填补步骤；
3. 动态偏差注入：通过设计偏置模块（biased modules）自适应调整缺失值对模型的影响。
研究方法与流程
1. 模型框架
BiTGraph由多层Biased TCGBlock堆叠而成，每层包含两个核心模块：
- 多尺度实例PartialTCN（Multi-scale Instance PartialTCN）：处理时间维度依赖。
- PartialTCN：改进传统时间卷积（TCN），仅基于观测值计算特征（公式4），并通过缩放因子（k/sum(mask)）校正输出幅度。
- 多尺度扩展：采用1×3、1×5、1×7三种卷积核，通过最大池化（公式6）融合不同尺度下的缺失模式。
- 偏置图卷积网络（Biased GCN）：处理空间维度依赖。
- 自适应图结构学习：通过节点嵌入（E1, E2）生成非对称邻接矩阵（公式7）。
- 缺失感知偏置：引入时间窗口特定的偏置项（公式8-9），调整节点间信息传播强度（如缺失少的节点向缺失多的节点传递更多信息）。
2. 分层架构与训练
- 渐进式缺失模式更新：每层通过公式5（时间）和公式10（空间）更新缺失掩码，逐步修复信息流路径。
- 端到端训练：损失函数（公式2）仅基于观测值的MAE（Mean Absolute Error），优化预测与真实值的偏差。
3. 实验设计
- 数据集：选用5个真实世界基准数据集（METR-LA、Electricity、PEMS、ETTh1、BeijingAir），覆盖交通、能源、气象等领域，缺失率从10%至80%不等。
- 基线方法：对比包括BRITS、SPIN（填补方法）、AGCRN、MTGNN（时空预测模型）等，并测试其“零填充”和“TimesNet填补”变体。
- 评估指标：MAE、RMSE（Root Mean Square Error）、MAPE（Mean Absolute Percentage Error）。
主要结果
1. 预测性能
- 全面领先：在5个数据集上，BiTGraph相比最佳基线平均提升9.93%（RMSE），缺失率越高优势越显著（如Electricity数据集缺失率80%时提升12.4%）。
- 鲁棒性：即使缺失率达80%，BiTGraph的MAE仍低于其他方法在缺失率20%时的表现（表2）。
2. 模块有效性（表3）
- 多尺度PartialTCN：移除后MAE上升4.7%（METR-LA，缺失率40%），证明多尺度卷积对复杂缺失模式的适应性。
- 偏置GCN：取消偏置项（公式9）导致RMSE增加5.2%，显示缺失感知图结构的关键作用。
3. 计算效率
- 参数共享：实例独立的PartialTCN减少参数量，模型总参数仅为AGCRN的68%。
- 稀疏图：Top-k邻域截断（k=10）加速计算，训练速度比MTGNN快1.3倍。
结论与价值
科学价值
1. 理论创新：首次将缺失模式作为显式偏差注入时空联合建模框架，突破传统“填补-预测”范式。
2. 方法论贡献：提出的Multi-scale PartialTCN和Biased GCN为不完整时间序列分析提供通用工具。
应用价值
- 工业场景：适用于传感器网络故障（如智能电网、自动驾驶）下的实时预测。
- 可扩展性：框架可兼容Transformer等骨干网络，支持长期预测任务。
研究亮点
1. 缺失感知架构：通过动态偏置机制直接建模缺失值影响，避免误差累积。
2. 层次化信息修复：时空维度的渐进式掩码更新最大化信息传播效率。
3. 开源代码：完整实现已在GitHub发布（https://github.com/chenxiaodanhit/bitgraph），促进领域复现与发展。
未来方向
作者计划探索以Transformer为骨干的时序模块，进一步提升长期预测能力。
（报告总字数：约1800字）