面向时间序列预测与分类的摊销可预测性感知训练框架
机器学习
2026-02-19 v1
摘要
时间序列数据在各个领域都容易受到噪声的影响，训练样本可能包含偏离正常数据分布的低可预测性模式，导致训练不稳定或收敛到较差的局部最小值。因此，减轻低可预测性样本的不利影响对于时间序列分析任务（如时间序列预测（TSF）和时间序列分类（TSC））至关重要。虽然许多深度学习模型已经取得了有希望的性能，但很少有模型考虑如何从训练角度识别和惩罚低可预测性样本以提升模型性能。为了填补这一空白，我们提出了一个通用的摊销可预测性感知训练框架（APTF），适用于TSF和TSC。APTF引入了两个关键设计，使模型能够专注于高可预测性样本，同时仍然从低可预测性样本中适当学习：(i) 分层可预测性感知损失（HPL），它动态识别低可预测性样本，并随着训练的进行逐步扩大其损失惩罚；以及(ii) 一个摊销模型，用于减轻由模型偏差引起的可预测性估计误差，进一步增强HPL的有效性。代码可在https://github.com/Meteor-Stars/APTF获取。
引用
@article{arxiv.2602.16224,
title = {Amortized Predictability-aware Training Framework for Time Series Forecasting and Classification},
author = {Xu Zhang and Peng Wang and Yichen Li and Wei Wang},
journal= {arXiv preprint arXiv:2602.16224},
year = {2026}
}
备注
This work is accepted by the proceedings of the ACM Web Conference 2026 (WWW 2026). The code is available at the link https://github.com/Meteor-Stars/APTF