AdaNODEs：使用神经常微分方程进行时间序列预测的测试时自适应
机器学习
2026-01-21 v1 人工智能
摘要
测试时自适应 (TTA) 已成为一种有前景的解决方案，用于使用未标记的目标域数据将预训练模型自适应到新的、未见过的数据分布。然而，大多数 TTA 方法是为独立数据设计的，通常忽略时间序列数据，且很少涉及预测任务。本文提出了 AdaNODEs，一种明确为时间序列预测量身定制的无源 TTA 方法。通过利用神经常微分方程 (NODEs)，我们提出了一种新颖的自适应框架，该框架适应了时间序列数据中分布偏移的独特特征。此外，我们创新性地提出了一种新的损失函数来解决预测任务的 TTA 问题。AdaNODEs 仅需更新有限的模型参数，在捕获时间依赖性的同时避免了显著的内存使用，展现了有效性。在单维和高维数据上的大量实验表明，AdaNODEs 相比 SOTA 基线实现了 5.88% 和 28.4% 的相对提升，特别是在更高严重程度的分布偏移中表现出鲁棒性。
引用
@article{arxiv.2601.12893,
title = {AdaNODEs: Test Time Adaptation for Time Series Forecasting Using Neural ODEs},
author = {Ting Dang and Soumyajit Chatterjee and Hong Jia and Yu Wu and Flora Salim and Fahim Kawsar},
journal= {arXiv preprint arXiv:2601.12893},
year = {2026}
}
备注
Accepted by ICASSP 2026