深度时间序列预测需要核化矩平衡
机器学习
2026-02-03 v1 人工智能
摘要
深度时间序列预测可以表述为一个分布平衡问题，旨在对齐预测分布与真实分布。根据Imbens准则，真正的分布平衡需要匹配关于任意平衡函数的一阶矩。我们证明现有目标函数未能满足该准则，因为它们仅针对一个或两个预定义的平衡函数强制执行矩匹配，因此未能实现完全的分布平衡。为解决这一局限性，我们提出了带有核化矩平衡的直接预测方法(KMB-DF)。与现有目标函数不同，KMB-DF从再生核希尔伯特空间(RKHS)中自适应地选择信息量最大的平衡函数，以强制执行充分的分布平衡。我们推导出一个可处理且可微的目标函数，使其能够从经验样本中进行高效估计，并无缝集成到基于梯度的训练流程中。跨多个模型和数据集的广泛实验表明，KMB-DF持续提高了预测精度，并达到了最先进的性能。代码可在 https://anonymous.4open.science/r/KMB-DF-403C 获取。
引用
@article{arxiv.2602.00717,
title = {Deep Time-series Forecasting Needs Kernelized Moment Balancing},
author = {Licheng Pan and Hao Wang and Haocheng Yang and Yuqi Li and Qingsong Wen and Xiaoxi Li and Zhichao Chen and Haoxuan Li and Zhixuan Chu and Yuan Lu},
journal= {arXiv preprint arXiv:2602.00717},
year = {2026}
}