BinConv：一种用于时间序列预测中有序编码的神经架构
机器学习
2025-08-28 v3 人工智能
机器学习
摘要
时间序列预测的近期工作探索了将回归重新表述为分类任务。通过将连续目标空间离散化为箱并在固定的类别集合上进行预测，这些方法受益于更稳定的训练、改进的不确定性建模以及与现代深度学习架构的兼容性。然而，大多数现有方法依赖于独热编码，忽略了目标值的固有有序结构。因此，它们在训练期间无法传达预测值与真实值之间相对距离的信息。在本文中，我们通过应用**累积二进制编码**（CBE）来解决这一局限性，这是一种单调的二进制表示，可转换模型的输入和输出。CBE隐式地保留了顺序和量级信息，使模型能够在分类框架内学习距离感知表示。为了有效利用CBE，我们提出了**BinConv**，一种专为概率预测设计的全卷积神经网络架构。我们证明，在与CBE结合使用时，标准的全连接层不仅计算效率低于卷积层，而且会降低预测性能。我们在标准基准数据集上的实验表明，与广泛使用的基线相比，BinConv在点预测和概率预测中均取得了优越的性能，同时所需参数更少且训练更快。
引用
@article{arxiv.2505.24595,
title = {BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting},
author = {Andrei Chernov and Vitaliy Pozdnyakov and Ilya Makarov},
journal= {arXiv preprint arXiv:2505.24595},
year = {2025}
}