非平稳成本 regime 下的时间序列早期分类
机器学习
2026-04-06 v2
摘要
时间序列早期分类（ECTS）解决的是在保持高准确率的前提下，尽早做出预测决策的问题。大多数现有ECTS方法假设，主导学习目标的时间依赖决策成本是已知、固定且正确指定的。然而实际情况中，这些成本常常不确定且随时间变化，导致训练时与部署时的目标之间存在不匹配。在本文中，我们研究ECTS在两种实际相关的成本非平稳形式下的情况：（1）在误分类成本与决策延迟成本之间进行平衡的漂移；（2）决策成本的随机实现偏离训练时模型的正式模型。在针对这些挑战后，我们重新审视代表性的ECTS方法并将其适用于在线学习设置。聚焦于可分离的方法，我们在部署期间仅更新触发模型，而保持分类器固定。我们提出了几种在线适应方法和基线，包括基于多臂老虎机和基于强化学习的方法，并在合成数据上进行受控实验，以系统评估在成本非平稳下的鲁棒性。我们的结果表明，在线学习可以有效提高ECTS方法对成本漂移的鲁棒性，其中基于RL的策略在不同成本 regime 下表现出强大且稳定的性能。
引用
@article{arxiv.2602.00918,
title = {Early Classification of Time Series in Non-Stationary Cost Regimes},
author = {Aurélien Renault and Alexis Bondu and Antoine Cornuéjols and Vincent Lemaire},
journal= {arXiv preprint arXiv:2602.00918},
year = {2026}
}