DropoutTS：面向稳健时间序列预测的样本自适应 Dropout
人工智能
2026-05-26 v2
摘要
深度时间序列模型在现实应用中面临普遍的噪声数据。现有鲁棒性策略要么剪裁数据，要么依赖高成本的先验量化，无法在有效性和效率之间取得平衡。本文引入 DropoutTS，一个模型中性的插件，将范式从 "要学习什么" 转向 "要学习多少"。DropoutTS 采用样本自适应 Dropout 机制：利用谱稀疏性高效地通过重建残差量化实例级噪声，动态校准模型学习容量，将噪声映射为自适应 dropout rate——选择性抑制虚构波动，同时保持细粒度保真度。广泛的实验在不同噪声 regime 和开放基准上表明，DropoutTS 持续地提升了优秀 backbone 的性能，以几乎不增加参数开销且无需架构修改的方式交付先进的鲁棒性。我们的代码已公开于 https://github.com/CityMind-Lab/DropoutTS。
引用
@article{arxiv.2601.21726,
title = {DropoutTS: Sample-Adaptive Dropout for Robust Time Series Forecasting},
author = {Siru Zhong and Yiqiu Liu and Zhiqing Cui and Zezhi Shao and Fei Wang and Qingsong Wen and Yuxuan Liang},
journal= {arXiv preprint arXiv:2601.21726},
year = {2026}
}