Чому прогалини в даних смарт-годинників ламають стандартні інструменти ІШ для відновлення?
Нове дослідження показує: відсутні дані датчиків ношених пристроїв не розсіюються випадково — вони зникають блоками, коли виходить з ладу спільний датчик. Стандартні бенчмарки не помічають цей патерн, тому неправильно ранжують моделі інтерполяції.
Проблема поточного тестування
Дані ношених пристроїв дозволяють безперервний моніторинг здоров'я, але страждають від структурованої відсутності: ознаки, що спільняють фізичний датчик, випадають одночасно. Методи глибокої інтерполяції, як BRITS і SAITS, мало оцінювали на мультимодальних фізіологічних даних з реалістичними пропусками. Існуючі бенчмарки використовують протоколи випадкового вибірки, що помилково припускають незалежність пропусків між ознаками і часом — тому рейтинги моделей не відображають реальність.
Як працює новий протокол
Використовуючи дані пацієнта з епілепсією з Garmin-годинника, автори створили протокол, що видобуває шаблони суміжних пропусків, розділяє за квантилями довжини і вставляє як блокові маски зі збереженою структурою спільної відсутності.
Моделі поводяться по-різному
Схожий тренувальний протокол, що показує моделям той самий розподіл пропусків, зменшує MAE BRITS на важких прогалинах на 43%. Лінійна інтерполяція оптимальна для повільно змінних ознак на коротких прогалинах. Розширений BRITS дає менший MAE на динамічних серцевих ознаках у середніх і важких прогалинах. SAITS краще зберігає істинний розподіл за відстанню Дженсена — Шеннона, хоча має вищий MAE. Жодна модель не домінує.
Де закінчується пояснення
Ранжування моделей залежить від дизайну оцінки. Протокол переноситься на розробку кращих стратегій для мультисенсорних датасетів. Результати — з одного учасника; масштабування на популяції і бренди, як і питання наборів датчиків, відкриті.
Джерела, за якими написано статтю
- "arXiv:2608.24436v1
https://arxiv.org/abs/2608.24436v1"