解码源自自由时间序列预测中不变特征解耦的机制：基于代理去噪
机器学习
2025-11-03 v2 人工智能
摘要
移动设备的快速增长产生了跨越多个领域的海量时间序列数据，有效的时间序列预测促进了众多实际应用。本研究聚焦于源自由时间序列预测的一个新问题，即在不访问源数据的情况下，将预训练模型从充足的源时间序列适配到稀疏的目标时间序列领域，以顺应数据保护法规。为实现此目标，我们提出了 TimePD——首个采用代理去噪技术的源自由时间序列预测框架，大语言模型(LLM)被用于利用其泛化能力。具体而言，TimePD 包含三个关键组件：(1) 双分支不变特征解耦学习，通过季节-趋势分解实现表示和梯度的不变性；(2) 轻量级无参数代理去噪，用于动态校准 LLM 的系统性偏差；(3) 知识蒸馏，在去噪预测与原始目标预测之间进行双向对齐。在真实数据集上的大规模实验结果表明，所提出的 TimePD 在多个基准上以平均 9.3% 的优势超越了当前最先进的基线方法。
引用
@article{arxiv.2510.05589,
title = {Deciphering Invariant Feature Decoupling in Source-free Time Series Forecasting with Proxy Denoising},
author = {Kangjia Yan and Chenxi Liu and Hao Miao and Xinle Wu and Yan Zhao and Chenjuan Guo and Bin Yang},
journal= {arXiv preprint arXiv:2510.05589},
year = {2025}
}