面向无限任务冲突时间序列的动态扰动自适应方法
机器学习
2025-05-20 v1
摘要
我们将时间序列任务建模为在不同目标下进行的输入-输出映射，其中相同的输入可能产生不同的输出。这对模型的泛化性和适应性提出挑战。为研究此问题，我们构建了一个包含大量相互冲突子任务的合成数据集，以评估在频繁任务迁移下的适应性。现有静态模型在此类设置下一致性失败。我们提出一种基于干 trunk-branch 架构的动态扰动自适应方法，其中 trunk 缓慢演化以捕捉长期结构，分支模块被重新初始化并为每个任务更新。这使得在不依赖显式任务标签的情况下实现持续测试时自适应和跨任务迁移。在理论上，我们证明该架构的函数表达性严格高于静态模型和 LoRA。我们还在 Polyak-Lojasiewicz 条件下建立了分支适应的指数收敛性。实验表明，我们的方法在复杂且冲突的任务环境中显著优于对手方法，表现出快速适应和渐进学习能力。
引用
@article{arxiv.2505.11902,
title = {Dynamic Perturbed Adaptive Method for Infinite Task-Conflicting Time Series},
author = {Jiang You and Xiaozhen Wang and Arben Cela},
journal= {arXiv preprint arXiv:2505.11902},
year = {2025}
}