一种自适应的、具有偏差感知能力的时空图神经网络，用于处理含有缺失值的时间序列分类问题

《Knowledge-Based Systems》：Adaptive Bias-aware Spatio-Temporal Graph Neural Network for Time Series Classification with Missing Values

时间序列分类；缺失值处理；图神经网络；Transformer；自适应卷积神经网络；双偏置图卷积网络；软掩码更新机制；多模态数据；跨领域应用|

　　多变量时间序列分类在多个领域中具有至关重要的作用，如经济学、医疗健康和人类活动识别等。近年来，针对完整观测时间序列的分类方法层出不穷，取得了显著的进展。然而，在实际应用中，时间序列数据往往存在缺失，这通常是由于传感器故障或数据采集成本高昂等原因导致的。面对这一挑战，研究者们尝试利用缺失模式的信息性来增强时间或空间相关性的建模。尽管如此，这些方法大多将缺失模式简单地视为二元指示符，仅用于区分观测值与未观测值，而没有明确建模其结构特性，从而限制了模型对多样化缺失场景的适应能力。

为了解决上述问题，本文提出了一种新颖的分类框架，该框架能够显式地捕捉缺失模式中的局部结构信息和全局权威信息。这些信息成分通过构建偏置被整合到通道间的相关性建模模块中，从而实现更有效和准确的信息传播，不仅限于时间维度，还包括空间维度。实验结果表明，我们的方法在三种缺失场景下均优于当前最先进的基线方法，分类准确率最高提升了20.32%。

多变量时间序列分类在多个应用领域中都至关重要，包括生理信号分析、人类活动识别以及语音信号分类等。由于其显著的实践价值，近年来多变量时间序列分类吸引了越来越多的研究关注。许多研究致力于建模时间动态以实现准确的分类。早期的研究使用诸如欧几里得距离和动态时间规整（DTW）等度量方式来进行基于距离的分类。基于形状的（Shapelet）方法则设计了具有类区分性的模式，以增强时间动态的可解释性。然而，这些方法依赖于人工设计的特征，难以捕捉时间动态中的复杂和潜在变化。为了缓解这一问题，研究者们提出了循环神经网络（RNN）来捕捉非线性的时间依赖关系。受自然语言处理（NLP）显著成功的影响，基于Transformer的架构被广泛探索，以捕捉长期的时间相关性。与此同时，卷积方法在建模时间相关性方面也表现出强大的能力。

除了时间动态，通道间的相关性在准确的多变量时间序列分类中同样扮演着重要角色。一些方法，如OS-CNN和InceptionTime，使用线性投影来隐式捕捉空间相关性。然而，这些全连接策略往往引入无关通道的噪声，从而影响模型性能。图神经网络（GNN）的出现使得非欧几里得数据的潜在结构能够被有效捕捉。此外，许多研究尝试采用注意力机制来捕捉动态的通道间依赖关系。

尽管上述方法取得了显著进展，但它们主要是为完整观测数据设计的。在现实世界中，时间序列数据常常是不完整的，这可能是由于设备故障或数据采集成本高昂等原因造成的。图1中的（b）、（c）和（d）展示了三种常见的缺失数据场景：点缺失、块缺失和传感器缺失。这些场景对准确的时间序列分类提出了重大挑战。通常的做法是使用现有的缺失值填补方法来填补缺失值，然后应用专门针对完整时间序列的分类技术。然而，这种两阶段的处理方式会导致误差累积，从而影响模型的整体性能。为了克服这一挑战，研究者们尝试开发端到端的时间序列分类方法。基于常微分方程（ODE）的方法将时间动态建模为连续时间系统，其中潜在状态轨迹由微分方程控制。这种建模方式使它们能够有效处理不规则采样的时间序列。然而，数值求解ODE通常需要自适应步长求解器，这可能会带来较大的计算和内存开销。为了绕过这一限制，一些研究尝试通过利用缺失模式中固有的信息性来处理缺失值。其基本思想是，缺失模式能够提供关于时间序列中每个元素有效性的宝贵信息，使方法能够相应地调整时间或空间相关性的建模。一种广泛采用的方法是利用缺失模式来引导信息流，或者在观测值内部进行信息流动，或者从观测值传递到未观测值。然而，这些方法往往将缺失模式视为简单的指示符，难以捕捉潜在的动态变化，从而限制了它们在处理复杂缺失数据场景中的有效性。

为了解决这一问题，许多方法提出了将缺失模式显式纳入模型设计的方案，例如通过为循环单元开发衰减机制。然而，这些方法忽略了缺失模式对空间相关性建模的影响。此外，进一步探索将缺失模式整合到更有效的时序建模框架中仍然是必要的。为此，BiTGraph提出了一种显式建模时序和空间偏置的方法，以增强通道间和通道内的相关性建模。然而，这种方法专门针对具有缺失值的多变量时间序列预测。此外，它严重依赖于每个时间步的缺失值来构建偏置，而忽略了缺失模式中嵌入的局部结构信息，这限制了其对多样化缺失场景的适应能力。

受上述观察的启发，我们提出了一种新的框架，称为自适应偏置感知时空图神经网络（ABTGNN），用于处理具有缺失值的多变量时间序列分类。具体来说，我们设计了一个自适应偏置时间卷积网络（TCN）模块，该模块通过动态调整时间卷积核来捕捉缺失模式的结构表示，从而有效调整时间依赖关系。这种设计增强了模型在多样化缺失场景下的适应性和泛化能力。此外，它还提供了一种深入了解潜在动态的方式，从而提高了模型的可解释性。我们还引入了一个双偏置感知图卷积网络（GCN）模块，该模块结合了局部结构信息和全局权威，以构建更可靠的空间相关性。此外，我们提出了一个软掩码更新机制，以在复杂缺失场景下实现更高效和灵活的信息传播。本文的主要贡献总结如下：

首先，我们开发了一个针对具有缺失值的时间序列分类的新框架，该框架显式地建模缺失模式的局部结构信息，以提高模型对多样化缺失场景的适应能力。此外，这种设计还提高了模型的可解释性。

其次，我们设计了一个自适应偏置时间卷积网络（TCN）模块和一个双偏置感知图卷积网络（GCN）模块，分别用于捕捉通道内和通道间依赖关系。此外，所提出的软更新机制使得信息传播更加高效和灵活。

最后，我们在五个公开的时间序列分类数据集上评估了我们的方法。实验结果表明，我们的模型在多种缺失场景下均优于现有方法，分类准确率最高提升了20.32%。

对于完整数据的时间序列分类，早期的研究主要集中在基于相似性的方法上。SOTA-DTW使用动态时间规整（DTW）对齐时间变化，并测量整个时间序列之间的相似性。Shapelet、ST和FastShapelet等方法则利用信息增益来识别具有类区分性的模式，为时间动态提供了可解释的见解。然而，这些方法依赖于人工设计的特征，难以捕捉时间动态中的潜在变化。

在处理具有缺失值的时间序列分类时，我们提出的ABTGNN模型能够有效整合缺失模式的结构信息。具体而言，该模型由多个自适应偏置块组成，每个块包含两个关键组件：自适应偏置时间卷积网络（TCN）模块和双偏置感知图卷积网络（GCN）模块。自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，从而在面对不同的缺失模式时提高模型的适应能力。同时，双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，我们还引入了一个软掩码更新机制，以在复杂缺失场景下实现更高效和灵活的信息传播。这一机制能够动态调整信息流动的路径，从而减少误差累积，提高分类的准确性。

为了验证ABTGNN模型的有效性，我们在五个公开的时间序列分类数据集上进行了实验评估。这些数据集涵盖了不同的应用场景，如生理信号、人类活动和语音信号等。实验结果表明，我们的模型在各种缺失场景下均表现出优于现有方法的性能。特别是在点缺失、块缺失和传感器缺失三种常见的缺失场景中，我们的方法在分类准确率上实现了显著的提升。这表明，ABTGNN模型不仅能够适应不同的缺失模式，还能够更准确地捕捉时间序列中的潜在动态，从而提高分类的可靠性。

在实验评估过程中，我们还进行了消融研究，以分析各个模块对模型性能的具体贡献。消融研究的结果表明，自适应偏置TCN模块和双偏置感知GCN模块在模型中起到了关键作用。此外，软掩码更新机制也对模型的性能提升有重要影响。这些研究进一步验证了ABTGNN模型的有效性，并为后续的研究提供了有益的参考。

在参数敏感性分析中，我们探讨了不同参数设置对模型性能的影响。实验结果表明，模型在参数调整方面具有一定的鲁棒性，但在某些关键参数上仍需谨慎处理。例如，时间卷积核的大小和图卷积网络的结构对模型的性能有显著影响。因此，在实际应用中，需要根据具体的数据集和任务需求进行参数优化，以实现最佳的分类效果。

在复杂性分析中，我们评估了ABTGNN模型的计算成本和内存需求。实验结果表明，尽管该模型在结构上较为复杂，但其计算效率仍然较高。通过引入软掩码更新机制和双偏置感知模块，模型能够在保持较高性能的同时，减少计算资源的消耗。这表明，ABTGNN模型不仅适用于大规模数据集，还能够在资源受限的环境中有效运行。

在实际应用中，ABTGNN模型能够为处理具有缺失值的时间序列分类提供有力的支持。例如，在医疗健康领域，时间序列数据常常由于传感器故障或数据采集成本而存在缺失。通过ABTGNN模型，可以更准确地捕捉时间序列中的潜在动态，从而提高疾病诊断的准确性。在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的可靠性。

在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强语音信号的建模能力，从而提高分类的准确性。此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失，这使得它在实际应用中具有更高的灵活性和适应性。

在处理具有缺失值的时间序列分类时，ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在实验评估中，我们发现ABTGNN模型在处理具有缺失值的时间序列分类时具有显著的优势。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，我们还发现ABTGNN模型在处理不同类型的缺失模式时具有较高的泛化能力。例如，在点缺失和块缺失场景中，模型能够根据缺失模式的结构特性自动调整其建模策略，从而提高分类的准确性。在传感器缺失场景中，模型能够通过结合局部结构信息和全局权威，增强空间相关性的建模能力，从而减少误差累积。这表明，ABTGNN模型不仅能够适应不同的缺失场景，还能够有效捕捉时间序列中的潜在动态，从而提高分类的可靠性。

在实际应用中，ABTGNN模型能够为处理具有缺失值的时间序列分类提供有力的支持。例如，在医疗健康领域，时间序列数据常常由于传感器故障或数据采集成本而存在缺失。通过ABTGNN模型，可以更准确地捕捉时间序列中的潜在动态，从而提高疾病诊断的准确性。在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的可靠性。

在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强语音信号的建模能力，从而提高分类的准确性。此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失，这使得它在实际应用中具有更高的灵活性和适应性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动的路径，从而提高分类的可靠性。

此外，ABTGNN模型还能够适应不同的缺失场景，例如点缺失、块缺失和传感器缺失。这种适应性使得模型在实际应用中具有更高的灵活性和泛化能力。在医疗健康领域，时间序列数据的缺失可能导致疾病诊断的偏差。通过ABTGNN模型，可以有效调整信息流动的路径，从而减少误差累积，提高分类的准确性。

在人类活动识别领域，传感器数据的缺失可能导致活动分类的偏差。通过ABTGNN模型，可以利用缺失模式中的结构信息来增强活动特征的建模能力，从而提高分类的可靠性。在语音信号分类领域，时间序列数据的缺失可能导致语音特征的丢失，从而影响分类效果。通过ABTGNN模型，可以有效捕捉语音信号中的潜在动态，从而提高分类的准确性。

ABTGNN模型的结构设计使其能够有效整合缺失模式的结构信息。具体而言，自适应偏置TCN模块通过动态调整时间卷积核来捕捉时间依赖关系，而双偏置感知GCN模块则通过结合局部结构信息和全局权威，增强空间相关性的建模能力。此外，软掩码更新机制使得信息传播更加高效和灵活，从而减少误差累积，提高分类的准确性。

在处理具有缺失值的时间序列分类时，ABTGNN模型能够根据缺失模式的结构特性自动调整其建模策略。例如，在点缺失场景中，模型能够通过调整时间卷积核来捕捉缺失值的上下文信息，从而提高分类的准确性。在块缺失场景中，模型能够通过双偏置感知GCN模块来增强空间相关性的建模能力，从而减少误差累积。在传感器缺失场景中，模型能够通过软掩码更新机制来动态调整信息流动