🤖 AI

Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting

यह शोध पत्र Timeflies को प्रस्तुत करता है, जो अनियमित समय श्रृंखला पूर्वानुमान (irregular time series forecasting) में भविष्य की अवलोकन क्षमता (future observability) और मूल्य अनुमान (value estimation) को संयुक्त रूप से मॉडल करने वाला एक एकीकृत ढांचा है, ताकि उन मौजूदा विधियों की व्यावहारिक सीमाओं को दूर किया जा सके जो यह मानती हैं कि भविष्य के अवलोकन टाइमस्टैम्प पहले से ज्ञात होते हैं।

मूल लेखक: Yifan Hu, Hongzhou Chen, Peiyuan Liu, Yiding Liu, Zewei Dong, Jiang-Ming Yang

प्रकाशित 2026-06-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yifan Hu, Hongzhou Chen, Peiyuan Liu, Yiding Liu, Zewei Dong, Jiang-Ming Yang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी समस्या: अप्रत्याशित की भविष्यवाणी करना

कल्पना कीजिए कि आप अगले सप्ताह के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। लेकिन एक पेंच है: आपका मौसम केंद्र (weather station) खराब है। कभी-कभी यह आपको तापमान का डेटा भेजता है, लेकिन अक्सर यह शांत रहता है क्योंकि बैटरी खत्म हो गई, इंटरनेट कट गया, या सेंसर बर्फ से ढक गया।

पुराने तरीके (पीढ़ी 1 और 2):
अधिकांश वर्तमान AI मॉडल एक जिद्दी शेफ की तरह व्यवहार करते हैं। वे कहते हैं, "मुझे अपना सूप बनाने के लिए अगले सप्ताह के हर घंटे का तापमान जानने की जरूरत है।"

पीढ़ी 1 (Generation 1) खाली जगहों को भरने की कोशिश करती है—यह अनुमान लगाकर कि गायब संख्याएँ क्या हो सकती थीं, और फिर उस नकली, पूर्ण डेटा के आधार पर भविष्य की भविष्यवाणी करती है।
पीढ़ी 2 (Generation 2) अधिक स्मार्ट है; यह समझती है कि समय निरंतर (continuous) है। लेकिन यह अभी भी एक बड़ा अनुमान लगाती है: यह मान लेती है कि हमें पहले से ही पता है कि अगले सप्ताह मौसम केंद्र कब काम करेगा। यह पूछती है, "यदि स्टेशन दोपहर 2:00 बजे काम करता है, तो तापमान क्या होगा?"

वास्तविकता की जाँच:
वास्तविक दुनिया में, हमें नहीं पता कि स्टेशन काम करेगा या नहीं। स्टेशन दोपहर 2:00 बजे बंद हो सकता है। उस क्षण के लिए तापमान की भविष्यवाणी करना जब कोई डेटा मौजूद ही नहीं है, बेकार है। आप उस संख्या के आधार पर निर्णय नहीं ले सकते जो शायद अस्तित्व में भी न हो।

नया समाधान: Timeflies

लेखकों ने Timeflies नामक एक नया दृष्टिकोण प्रस्तावित किया है। उनका मूल दर्शन सरल है: "अस्तित्व मूल्य से पहले आता है" (Existence Precedes Value)।

इससे पहले कि आप पूछें, "मान (value) क्या होगा?" आपको पहले पूछना चाहिए, "क्या वहां कोई मान होगा भी?"

Timeflies को एक ऐसे मामले पर काम करने वाली दो-सदस्य टीम के जासूसों के रूप में सोचें जहाँ सबूत गायब हैं:

जासूस "अस्तित्व" (The Observation Stream): यह जासूस खराब मौसम केंद्र के इतिहास को देखता है। वे पैटर्न देखते हैं: "स्टेशन आमतौर पर मंगलवार को बंद हो जाता है," या "जब बारिश होती है तो यह काम करना बंद कर देता है।" उनका काम भविष्यवाणी करना है: "क्या अगले मंगलवार को दोपहर 2:00 बजे स्टेशन सिग्नल भेजेगा?"
जासूस "मान" (The Value Stream): यह जासूस वास्तविक तापमान डेटा को देखता है। उनका काम है: "यदि स्टेशन सिग्नल भेजता है, तो तापमान क्या होगा?"

वे मिलकर कैसे काम करते हैं:
ये दोनों जासूस एक-दूसरे से बात करते हैं। यदि जासूस 'अस्तित्व' कहता है, "स्टेशन अगले मंगलवार दोपहर 2:00 बजे निश्चित रूप से बंद रहेगा," तो जासूस 'मान' उस समय के लिए तापमान का अनुमान लगाना बंद कर देता है। यदि जासूस 'अस्तित्व' कहता है, "स्टेशन के काम करने की संभावना है," तो जासूस 'मान' एक भरोसेमंद तापमान रीडिंग देता है।

तीन गुप्त हथियार

इस टीम वर्क को सफल बनाने के लिए, Timeflies तीन विशेष उपकरणों का उपयोग करता है:

"विश्वसनीयता बैज" (Reliability-Aware Patch Embedding):
कल्पना कीजिए कि आप एक ऐसी फोटो देख रहे हैं जो आधी धुंधली और आधी साफ है। Timeflies केवल पूरी फोटो को नहीं देखता; यह हर हिस्से पर एक "विश्वसनीयता बैज" लगा देता है। यदि इतिहास का कोई हिस्सा गायब डेटा (धुंधला) से भरा है, तो मॉडल जानता है कि उस पर कम भरोसा करना है। यह "शोर" (noise) को फ़िल्टर करता है ताकि भविष्यवाणी खराब डेटा से भ्रमित न हो।
"साझा नोटबुक" (Observation-Guided Value Attention):
आमतौर पर, दोनों जासूस अलग-अलग कमरों में काम करते हैं। Timeflies उन्हें एक साझा नोटबुक रखने के लिए मजबूर करता है। "अस्तित्व" वाला जासूस ऐसे पैटर्न लिखता है जैसे "सेंसर हर 3 दिन में विफल हो जाता है।" "मान" वाला जासूस इसे पढ़ता है और कहता, "आह, मैं समझ गया। मुझे उस 3-दिन के अंतराल के लिए किसी मान की भविष्यवाणी करने की कोशिश नहीं करनी चाहिए।" यह मॉडल को गायब डेटा के केवल नंबरों को ही नहीं, बल्कि उनके ताल (rhythm) को समझने में मदद करता है।
"द्वारपाल" (Dual Prediction Head):
अंत में, मॉडल केवल एक नंबर नहीं देता। यह आपको दो चीजें देता है:

एक संभाव्यता स्कोर (probability score): "85% संभावना है कि हमें एक रीडिंग मिलेगी।"
एक मान (value): "यदि हमें रीडिंग मिलती है, तो यह 72°F होगी।"
यदि संभावना कम है, तो सिस्टम तापमान के अनुमान को अनदेखा करना जानता है।

नया परीक्षण: "शैडो" (Shadow)

अपने विचार को सिद्ध करने के लिए, लेखकों ने केवल मानक टेस्ट डेटा का उपयोग नहीं किया। उन्होंने Shadow नामक एक नया बेंचमार्क बनाया।

उपमा: कल्पना कीजिए कि एक टेस्ट है जहाँ कुछ छात्रों के पास बेहतरीन नोट्स हैं, कुछ के पास फटे हुए पन्ने हैं, और कुछ के पास पूरी तरह खाली पन्ने हैं।
ट्विस्ट: उन्होंने सार्वजनिक डेटा को वास्तविक औद्योगिक डेटा (जैसे ई-कॉमर्स बिक्री) के साथ मिलाया जहाँ डेटा स्वाभाविक रूप से गायब हो जाता है (जैसे छुट्टियों पर कोई बिक्री नहीं होना, या सेंसर का ऑफलाइन हो जाना)।
लक्ष्य: वे देखना चाहते थे कि क्या मॉडल गायब डेटा के "साये" (Shadow) को संभाल सकता है, न कि केवल पूर्ण डेटा के "प्रकाश" (Light) को।

नया स्कोरकार्ड: OVJE

पुराने मॉडल केवल इस आधार पर ग्रेड किए जाते थे कि उनका तापमान का अनुमान वास्तविक तापमान के कितने करीब था। Timeflies ने OVJE (Observation-Value Joint Entropy) नामक एक नया स्कोर पेश किया।

उपमा: कल्पना कीजिए कि एक मौसम विज्ञानी है।
- पुराना स्कोर: "आपने 72°F कहा, और यह 72°F ही था। बहुत बढ़िया!" (भले ही उन्होंने उस समय के लिए 72°F कहा हो जब सेंसर टूटा हुआ था)।
- नया स्कोर (OVJE): "आपने 72°F कहा, और आपने सही भविष्यवाणी की कि सेंसर काम करेगा। बहुत बढ़िया!" या "आपने सही भविष्यवाणी की कि सेंसर टूटा हुआ रहेगा। बहुत बढ़िया!"
- यदि आप टूटे हुए सेंसर के लिए तापमान की भविष्यवाणी करते हैं, तो आपका स्कोर गिर जाता है, भले ही वह नंबर सही क्यों न हो। यह AI को यह बताने के लिए मजबूर करता है कि वह कब भविष्यवाणी करने के प्रति ईमानदार है।

परिणाम

जब उन्होंने Timeflies का मौजूदा सर्वश्रेष्ठ मॉडलों के खिलाफ परीक्षण किया:

Timeflies जीत गया। यह डेटा कब दिखाई देगा और वह डेटा क्या होगा, दोनों की भविष्यवाणी करने में लगातार बेहतर रहा।
डेटा जितना अधिक खराब (broken) था, जीत उतनी ही बड़ी थी। जब डेटा बहुत विरल (sparse) था (बहुत सारे गायब हिस्से), तो पुराने मॉडल भ्रमित हो गए और विफल रहे। Timeflies इसलिए सफल रहा क्योंकि इसे "गायब होने" को एक दोष के बजाय एक सार्थक संकेत के रूप में संभालने के लिए ही बनाया गया था।

सारांश

Timeflies खेल को बदल देता है क्योंकि यह स्वीकार करता है कि वास्तविक दुनिया में, हमें अक्सर यह नहीं पता होता कि कोई सिग्नल आएगा या नहीं। खाली स्लॉट के लिए अंधाधुंध नंबरों का अनुमान लगाने के बजाय, यह पहले भविष्यवाणी करता है कि क्या एक स्लॉट भरा जाएगा, और उसके बाद ही भविष्यवाणी करता है कि उसके अंदर क्या है। यह गायब डेटा को ठीक करने योग्य गलती के रूप में नहीं, बल्कि एक सार्थक संकेत के रूप में देखता है जो हमें सिस्टम के व्यवहार के बारे में बताता है।

तकनीकी सारांश: Timeflies – अस्तित्व मूल्य से पूर्व है (Existence Precedes Value)

1. समस्या विवरण (Problem Statement)

वास्तविक दुनिया के टाइम सीरीज़ फोरकास्टिंग (समय श्रृंखला पूर्वानुमान) अक्सर सेंसर की निष्क्रियता, ट्रांसमिशन में देरी और इवेंट-ड्रिवन सैंपलिंग के कारण होने वाली अत्यधिक अपूर्णता और अनियमितता से बाधित होती है। जबकि मौजूदा विधियाँ कठोर "इम्प्यूट-देन-फोरकास्ट" (Impute-then-forecast) पाइपलाइनों से निरंतर-समय मॉडलों (जैसे, Neural ODEs, continuous-time graph networks) में विकसित हुई हैं जो ऐतिहासिक अनियमितताओं को बेहतर ढंग से संभाल सकती हैं, वे एक महत्वपूर्ण सीमा से ग्रस्त हैं: परफेक्ट फोरसाइट धारणा (Perfect Foresight Assumption)।

वर्तमान अत्याधुनिक मॉडल यह मान लेते हैं कि इन्फरेंस (inference) के दौरान भविष्य के वैध अवलोकनों (observations) के टाइमस्टैम्प पहले से ज्ञात होते हैं। हालाँकि, व्यावहारिक प्रणालियों में, यह स्पष्ट नहीं होता है कि किसी विशिष्ट भविष्य के क्षण में एक वैध अवलोकन होगा या नहीं। एक संख्यात्मक मान (numerical value) की भविष्यवाणी करना, उसके अस्तित्व की पुष्टि करने से पहले अव्यवहारिक हो सकता है, क्योंकि निर्णय लेने की प्रक्रियाएं सूचना की दृश्यता (observability) पर निर्भर करती हैं। यह शोधपत्र तर्क देता है कि 'मिसिंगनेस' (missingness) को केवल एक स्थिर डेटा दोष के रूप में नहीं, बल्कि सिस्टम के व्यवहार संबंधी पैटर्न को दर्शाने वाले एक गहन टेम्पोरल सिग्नल के रूप में देखा जाना चाहिए।

2. कार्यप्रणाली: Timeflies फ्रेमवर्क (Methodology: The Timeflies Framework)

इसे संबोधित करने के लिए, लेखक Timeflies का प्रस्ताव करते हैं, जो एक एकीकृत पूर्वानुमान फ्रेमवर्क है जो टाइम सीरीज़ भविष्यवाणी को भविष्य की दृश्यता अनुमान (future observability inference) और मूल्य अनुमान (value estimation) की एक संयुक्त समस्या के रूप में पुनर्गठित करता है। इसका मूल दर्शन है "अस्तित्व मूल्य से पूर्व है": एक संख्यात्मक भविष्यवाणी तभी सार्थक है जब वह अवलोकन वास्तव में घटित होता है।

आर्किटेक्चर अवलोकन (Architecture Overview)

Timeflies एक सममितीय द्वैत-धारा (symmetric dual-stream) आर्किटेक्चर का उपयोग करता है जिसमें एक ऑब्जर्वेशन स्ट्रीम (Observation Stream) और एक वैल्यू स्ट्रीम (Value Stream) शामिल है, जो तीन सहक्रियात्मक मॉड्यूल के माध्यम से जुड़े हुए हैं:

रिलायबिलिटी-अवेयर पैच एम्बेडिंग (Reliability-Aware Patch Embedding):
- इनपुट अनुक्रम (sequence) को पैच में विभाजित किया जाता है।
- वैल्यू अनुक्रम पर मास्क-अवेयर नॉर्मलाइजेशन (Mask-Aware Normalization) लागू किया जाता है, जो केवल देखे गए प्रविष्टियों पर सांख्यिकी की गणना करता है ताकि लुप्त मानों से विरूपण (distortion) को रोका जा सके।
- ऑब्जर्वेशन स्ट्रीम, गेटेड फ्यूजन तंत्र का उपयोग करके लुप्त स्थानों और अंतरालों को एनकोड करती है।
- प्रत्येक पैच के भीतर ऑब्जर्वेशन अनुपात और लुप्त अंतराल की अवधि के आधार पर एक पैच रिलायबिलिटी स्कोर ( $\rho$ ) की गणना की जाती है। यह स्कोर ऑब्जर्वेशन पैटर्न के इंजेक्शन को नियंत्रित करता है, जिससे स्पार्स (sparse), शोर-प्रधान पैच के योगदान को कम किया जाता है और विश्वसनीय पैच को बढ़ाया जाता है।
ऑब्जर्वेशन-गाइडेड वैल्यू अटेंशन (Observation-Guided Value Attention):
- दोनों धाराएं लॉन्ग-रेंज डिपेंडेंसी कैप्चर करने के लिए सेल्फ-अटेंशन का उपयोग करती हैं।
- महत्वपूर्ण रूप से, ऑब्जर्वेशन स्ट्रीम अलग से कार्य नहीं करती है; यह क्रॉस-ट्रैक कंडिशन्ड अटेंशन (Cross-track Conditioned Attention) तंत्र के माध्यम से वैल्यू स्ट्रीम का मार्गदर्शन करती है।
- अटेंशन मैप, वैल्यू स्ट्रीम के सिमेंटिक कोरिलेशन, ऑब्जर्वेशन स्ट्रीम के स्ट्रक्चरल कोरिलेशन और एक रिलायबिलिटी-वेटेड टर्म का फ्यूजन है। यह सुनिश्चित करता है कि वैल्यू भविष्यवाणियां ऐतिहासिक मिसिंगनेस पैटर्न द्वारा सूचित हों, जिससे अटेंशन को अविश्वसनीय स्पार्स कीज़ (keys) से हटाकर सूचनात्मक पैच की ओर निर्देशित किया जा सके।
डुअल प्रेडिक्शन हेड (Dual Prediction Head):
- दोनों धाराओं के उच्च-स्तरीय रिप्रजेंटेशन को प्रेडिक्शन होराइजन पर मैप किया जाता है।
- ऑब्जर्वैबिलिटी प्रेडिक्शन (Observability Prediction): एक क्लासिफिकेशन हेड प्रत्येक भविष्य के टाइम स्टेप पर एक वैध अवलोकन होने की संभावना ( $\hat{O}$ ) की भविष्यवाणी करता है।
  क्रेडिक्शन हेड भविष्य के स्टेट वैल्यूज ( $\hat{Y}$ ) की भविष्यवाणी करता है।
- गेटेड फ्यूजन (Gated Fusion): प्रेडिक्टेड ऑब्जर्वैबिलिटी, वैल्यू प्रेडिक्शन पर एक सॉफ्ट गेट के रूप में कार्य करती है। अंतिम वैल्यू अनुमान, डायरेक्ट वैल्यू स्ट्रीम आउटपुट और ऑब्जर्वेशन स्ट्रीम के योगदान का एक संयोजन है, जिसे अस्तित्व की संभावना द्वारा भारित (weighted) किया जाता है। यह सुनिश्चित करता है कि ऑब्जर्वेशन फीचर्स केवल तभी भविष्यवाणी को महत्वपूर्ण रूप से प्रभावित करें जब अस्तित्व की संभावना उच्च हो।

प्रशिक्षण उद्देश्य (Training Objective)

मॉडल को एक संयुक्त लॉस फंक्शन के साथ प्रशिक्षित किया जाता है:
$\mathcal{L} = \mathcal{L}_{val} + \eta \cdot \mathcal{L}_{obs}$

$\mathcal{L}_{val}$ : मीन स्क्वेर्ड एरर (MSE), जो केवल उन टाइम स्टेप्स पर गणना किया जाता है जहाँ ग्राउंड-ट्रुथ ऑब्जर्वेशन मौजूद हैं।
$\mathcal{L}_{obs}$ : ऑब्जर्व्ड और मिसिंग पोजीशंस के बीच क्लास इम्बैलेंस को संभालने के लिए फोकल बाइनरी क्रॉस-एन्ट्रॉपी (Focal BCE)।
$\eta$ : दोनों कार्यों को संतुलित करने वाला एक हाइपरपैरामीटर।

3. प्रमुख योगदान (Key Contributions)

एक नया पूर्वानुमान प्रतिमान (A New Forecasting Paradigm)

यह शोधपत्र पिछले मॉडलों में प्रचलित "ओरेकल टाइमस्टैम्प धारणा" को चुनौती देता है। यह एक ऐसे प्रतिमान की शुरुआत करता है जहाँ मॉडल स्पष्ट रूप से भविष्यवाणी करता है कि भविष्य में अवलोकन कब होगा, इससे पहले कि वह अनुमान लगाए कि उसका मान क्या होगा। यह ध्यान सरल संख्यात्मक एक्सट्रपलेशन से हटाकर सूचना जनरेशन मैकेनिज्म को समझने की ओर ले जाता है।

तकनीकी प्रगति (Technical Advancement - Timeflies)

Timeflies स्पष्ट रूप से टाइम सीरीज़ को दो इंटरैक्टिव धाराओं में विभाजित करता है। ऐतिहासिक ऑब्जर्वेशन रिदम्स को डायनेमिक कॉन्टेक्स्ट के रूप में निकालकर, आर्किटेक्चर यह सुनिश्चित करता है कि अस्तित्व के पैटर्न स्टेट प्रेडिक्शन्स को निर्देशित और परिष्कृत करें। यह गहरा इंटरैक्शन सूचना की दृश्यता और उसके अंतर्निहित संख्यात्मक मानों के बीच के अंतर को पाटता है।

अनुभवजन्य और व्यावहारिक उपयोगिता (Empirical and Practical Utility)

शैडो बेंचमार्क (Shadow Benchmark): अपने फ्रेमवर्क को कड़ाई से मान्य करने के लिए, लेखकों ने Shadow का निर्माण किया, जो सार्वजनिक डेटासेट्स (GIFT-Eval) के प्राकृतिक मिसिंग गैप्स को वास्तविक औद्योगिक ई-कॉमर्स डेटा के साथ जोड़ता है। महत्वपूर्ण रूप से, प्रोप्रायटरी डेटासेट्स में सख्त रूप से प्राकृतिक मिसिंग वैल्यूज (गैर-रैंडम, जो ऑफ-पीक इनएक्टिविटी जैसे स्ट्रक्चरल पैटर्न को एनकोड करते हैं) शामिल हैं, जिनमें मिसिंग रेश्यो <0.1% से >89% तक है।
OVJE मेट्रिक: लेखक ऑब्जर्वेशन-वैल्यू जॉइंट एंट्रॉपी (OVJE) मेट्रिक पेश करते हैं। पारंपरिक मार्जिनल एरर मेट्रिक्स (MSE/MAE) के विपरीत, OVJE जॉइंट डिस्ट्रीब्यूशन $P(y_t, o_t | x_t)$ के नेगेटिव लॉग-लाइक्लीहुड की गणना करके अस्तित्व अनुमान और वैल्यू अनुमान की संयुक्त क्षमता का मूल्यांकन करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

Shadow बेंचमार्क पर व्यापक प्रयोगों से पता चलता है कि Timeflies मौजूदा बेसलाइन्स, जिनमें ट्रांसफार्मर-आधारित (PatchTST, iTransformer, FEDformer), लीनियर-आधारित (OLinear, DLinear), और CNN-आधारित विधियाँ शामिल हैं, को लगातार पछाड़ता है।

प्रदर्शन (Performance): Timeflies सभी स्पैरसिटी रिजीम्स (कोई नहीं, कम, मध्यम, उच्च मिसिंगनेस) में अत्याधुनिक प्रदर्शन प्राप्त करता है।
स्पैरसिटी संवेदनशीलता (Sparsity Sensitivity): जैसे-जैसे डेटा स्पैरसिटी बढ़ती है, प्रदर्शन का अंतर काफी बढ़ जाता है। उच्च-स्पैरसिटी वातावरण में, पारंपरिक बेसलाइन्स ब्लाइंड एक्सट्रपलेशन के कारण खराब प्रदर्शन करते हैं, जबकि Timeflies प्रभावी रूप से वास्तविक संकेतों को मिसिंग-प्रेरित शोर से अलग करता है।
मजबूती (Robustness): अत्यधिक मिसिंगनेस शिफ्ट वाले डेटासेट्स पर (जैसे, <1% मिसिंगनेस के साथ ट्रेनिंग और >90% के साथ टेस्टिंग), Timeflies मजबूत प्रदर्शन बनाए रखता है, जबकि प्रतिस्पर्धी मॉडल विफल हो जाते हैं।
एब्लेशन स्टडीज (Ablation Studies): किसी भी मुख्य घटक (मास्क-अवेयर नॉर्मलाइजेशन, ऑब्जर्वेशन-गाइडेड अटेंशन, पैच रिलायबिलिटी, या फोकल लॉस) को हटाने से प्रदर्शन में गिरावट आती है, जो प्रत्येक मॉड्यूल की संरचनात्मक आवश्यकता की पुष्टि करता है।

5. महत्व और दावे (Significance and Claims)

शोधपत्र का दावा है कि अनियमित सेटिंग्स में विश्वसनीय संख्यात्मक भविष्यवाणी के लिए भविष्य की दृश्यता (observability) को स्पष्ट रूप से मॉडल करना एक अनिवार्य गेट है। मिसिंगनेस को एक दोष के बजाय एक स्ट्रक्चर्ड प्रायर के रूप में मानकर, Timeflies निर्णय लेने वाली प्रणालियों को ऑब्जर्वेशन अनिश्चितता को शामिल करने में सक्षम बनाता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि उनका कार्य GIFT-Eval बेंचमार्क पर केंद्रित है जिसमें स्वाभाविक रूप से होने वाले मिसिंग पैटर्न हैं और यह एक स्टेशनरी मिसिंगनेस मैकेनिज्म को मानता है। वे पूर्णतः ऑब्जर्वड सेटिंग्स में भी ऑब्जर्वेशन-अवेयर मॉड्यूल के निरंतर कम्प्यूटेशनल ओवरहेड और चैनल इंडिपेंडेंस की धारणा जैसी सीमाओं को स्वीकार करते हैं। हालांकि, यह कार्य दृश्यता और संख्यात्मक रिग्रेशन के बीच के अंतर को पाटकर टाइम सीरीज़ फोरकास्टिंग के लिए एक नया मार्ग खोलता है, जो वास्तविक दुनिया के डिप्लॉयमेंट के लिए अधिक यथार्थवादी दृष्टिकोण प्रदान करता है जहाँ डेटा अखंडता की गारंटी नहीं दी जा सकती है।