对跨频率迁移学习与基础预测模型的更现实评估
机器学习
2025-11-19 v3 人工智能
应用统计
摘要
跨频率迁移学习（CFTL）已成为一种流行的框架，用于整理大规模时间序列数据集以预训练基础预测模型（FFMs）。尽管 CFTL 已显示出潜力，但当前的基准测试实践未能准确评估其性能。这一不足源于多种因素：过度依赖小规模评估数据集；在计算汇总统计量时对样本量处理不当；报告了次优的统计模型；以及未能考虑预训练和测试数据集之间不可忽略的重叠风险。为解决这些局限，我们引入了广泛采用的神经预测网络的统一重实现，使其适应 CFTL 设置；我们仅使用专有和合成数据进行预训练，并谨慎防止测试数据泄露；我们在 15 个大型、多样化的公开预测竞赛数据集上进行评估。我们的实证分析揭示，统计模型的准确性经常被低估。值得注意的是，我们证实，在所有数据集上，统计模型及其集成在 sCRPS 指标上持续优于现有 FFMs 超过 8.2%，在 MASE 指标上优于超过 20%。然而，我们也发现合成数据集预训练确实能将 FFM 的准确性提高 7%。
引用
@article{arxiv.2509.19465,
title = {A More Realistic Evaluation of Cross-Frequency Transfer Learning and Foundation Forecasting Models},
author = {Kin G. Olivares and Malcolm Wolff and Tatiana Konstantinova and Shankar Ramasubramanian and Boris Oreshkin and Andrew Gordon Wilson and Andres Potapczynski and Willa Potosnak and Michael W. Mahoney and Mengfei Cao and Dmitry Efimov},
journal= {arXiv preprint arXiv:2509.19465},
year = {2025}
}
备注
NeurIPS 2025 Workshop on Recent Advances in Time Series Foundation Models (BERT2S)