技术摘要：从非完整时空数据中学习高阶结构

1. 问题表述

本文解决了传感器网络中时空插补的挑战，特别关注缺失数据并非均匀随机而是遵循结构化模式的场景。标准基准通常假设单元缺失是均匀随机的，然而实际部署表现出连贯的故障模式，例如：

• 单元-MAR（随机缺失）： 分散的缺失单元。
• 块-MAR： 连续的时间块中断（例如 30 分钟的校准窗口）。
• 传感器克里金（Sensor-Kriging）： 整个传感器的黑屏（例如机柜故障或无历史数据的新安装）。

现有方法，包括低秩张量补全和成对图拉普拉斯平滑，在这些模式下往往失效。它们假设缺失值可以从邻近的观测单元中重建。然而，当间隙在时间、空间或沿整个传感器聚集时，成对先验无法捕捉高阶组级连贯性（例如涉及三条或更多车道的 freeway 汇合处的流量守恒，或一组传感器共享的校准漂移）。经典图拉普拉斯惩罚成对差异，无意中惩罚了底层物理约束所允许的连贯组运动。

核心问题是从含噪且不完整的观测值 $Y_{obs}$ 中恢复潜在矩阵 $X^* \in \mathbb{R}^{N \times T}$，其中缺失掩码 $M$ 造成了违反标准插补协议假设的结构化缺失。

2. 方法论：多尺度超图拉普拉斯（MSHL）

作者提出了MSHL，这是一个两阶段框架，旨在从不完整观测中学习高阶结构，同时在结构不可识别时保持安全保证。

阶段 1：发现（结构学习）

发现阶段从不完整数据构建多尺度超图 $\hat{\mathcal{H}}$。

• 线性骨干： 它始于一个逆倾向加权（IPW）Tikhonov 估计量。该线性骨干使用成对图拉普拉斯（$\mathcal{L}_G$）进行空间平滑，并使用时间拉普拉斯（$\mathcal{L}_T$）。IPW 因子对经验损失进行去偏，以应对非均匀的缺失率。
• 候选生成： 为了在没有真实标签的情况下识别高阶组，MSHL 利用两个互补信号：
  1. 先验拓扑： 基于物理邻接枚举超边（例如前 $K$ 个邻居）。该信号对无观测值的整个传感器黑屏具有鲁棒性。
  2. 残差相关性： 计算成对预拟合残差的相关性。该信号捕捉与物理邻接不对齐的潜在组模式（例如需求簇），但对拓扑联合观测稀疏的分散缺失具有鲁棒性。
• 尺度选择： 该框架采用Lepski 风格的仅观测选择器。它利用结构分数（平均残差相关性和留一法 MSE 改进）评估多个超边大小（$s=2, \dots, S_{max}$）的候选项。每尺度的复杂度惩罚 $\rho(s-2)$ 防止在大尺度上的过度选择。该选择器在不需预先了解模式的情况下，自适应到“最佳固定尺度”，误差范围在对数因子内。
• 多尺度拉普拉斯： 选定的超图 $\hat{\mathcal{H}}$ 使用尺度不变加权（$w_s = 1/\binom{s}{2}$）转换为空间算子 $\mathcal{L}_H$。这确保不同大小的超边对每对的正则化能量贡献相等，防止偏向较大或较小的组。

阶段 2：细化（神经修正）

细化阶段添加一个超图条件残差网络（HCRN），以校正线性骨干无法捕捉的非线性残差。

• 架构： 一个小型多层感知机（MLP）以目标传感器在已发现超图中的共同成员的观测残差值作为输入。关键的是，输入特征在结构上与目标单元自身的值正交，以防止平凡的恒等解。
• 安全机制（延迟）： 网络在观测单元上使用 Huber 损失进行训练。设计确保零校正始终是一个可行配置。如果传感器没有观测到的共同成员（例如在传感器克里金模式下），特征向量不包含任何信息信号，网络自然退回到线性估计。
• 保证： 细化提供单向保证。细化估计量的最坏情况误差受限于线性估计量的泛化间隙加上一个消失项，确保校正永远不会灾难性地降低性能。

3. 主要贡献

1. 具有可证明尺度适应性的多尺度超图估计量： 本文引入了一种具有尺度不变加权的超图拉普拉斯，以及一个适应到最优交互尺度（误差范围在对数因子内）的 Lepski 风格选择器。它利用两个候选源（拓扑和残差），其恢复率呈指数级分离，以覆盖完整的部署谱系。
2. 具有内置延迟的单向细化保证： HCRN 的设计使得相对于线性估计量的最坏情况膨胀以参数速率消失。当没有信息性残差特征可用时，它自动延迟，使其默认启用时是安全的。
3. 端到端理论与模式级验证： 作者证明了表示、发现、尺度选择和细化保证。在经验上，该方法在两个真实交通网络（PEMS-BAY 和 METR-LA）上，跨越三种缺失模式和五种缺失率进行了验证，展示了在竞争方法崩溃时的鲁棒性。

4. 实验结果

评估将 MSHL 与五个基线（传感器均值、kNN 空间、LETC、WDGTC 以及仅成对消融的 Tikh-graph）在 30 种条件下（2 个数据集 × 3 种模式 × 5 种速率）进行了比较。

• 性能： MSHL 在30 种条件中的 22 种下优于成对图基线（Tikh-graph），其余 8 种在采样噪声范围内持平。它从未表现低于基线。
• 模式鲁棒性：
  • 块-MAR： MSHL 实现了最大增益（在低缺失率下 PEMS-BAY 的 MAE 降低高达 23%），因为它可以在成对邻居联合缺失时利用组级连贯性跨越间隙。
  • 传感器克里金： 当整个传感器缺失时，MSHL 优雅地退化为线性骨干（与 Tikh-graph 匹配），而基于张量的方法（WDGTC）则崩溃为零行或全局均值。
  • 单元-MAR： MSHL 始终优于张量和深度图方法，避免了在高缺失率下交替优化方法中出现的收敛失败。
• 超参数敏感性： 该方法对超参数选择具有鲁棒性。单一配置适用于所有模式和数据集，当高阶结构不可识别时，尺度选择器会自动降级为仅成对拟合。
• 定性分析： 可视化显示，MSHL 保留了昼夜循环和高峰时段模式，没有空间过度平滑或时间伪影。在传感器克里金中，对保留传感器的平滑归因于线性骨干必要的信息损失，而非方法失败。

5. 意义与主张

本文主张缺失数据应被视为待发现结构的证据，而不仅仅是需要填充的孤立条目。

• 超越成对先验： 这项工作证明，高阶组守恒模式（例如流量守恒）是成对图先验无法编码的独立信号。MSHL 成功从不完整数据中提取了这些信号。
• 部署安全： 主要意义在于优雅延迟机制。与那些在结构假设被违反时可能产生无意义输出的方法不同，MSHL 是“构建即安全”的。它在高阶结构可识别时改进估计，否则退回到安全的线性估计。
• 评估协议： 作者认为，使用均匀随机缺失的标准基准造成了“部署差距”。他们的评估协议强调结构化缺失下的模式鲁棒性，揭示了针对随机缺失调整的方法往往在现实世界的结构化场景中失效。
• 局限性： 作者承认，该框架假设缺失是可忽略的（MAR），而实际传感器可能因信号饱和（不可忽略）而故障。此外，当前非学习的选择器和权重确保了可证明的保证，但限制了对意外结构的发现。

总之，MSHL 提供了一种原则性的时空插补方法，将结构化先验与学习到的校正相结合，确保在当前基准保持沉默的特定条件下具有可靠性。