EEO-TFV：用于 Web 规模时间序列预测与视觉分析的逃逸-探索优化器
机器学习
2026-02-04 v1 人工智能
计算机视觉与模式识别
摘要
基于 Transformer 的基础模型在时间序列预测和图像分割等任务中取得了显著进展。然而，它们在多变量长序列预测中常常出现误差累积，同时在图像相关任务中对分布外样本十分脆弱。此外，这些挑战在大规模 Web 数据分析任务中尤为突出，这类任务通常涉及复杂的时序模式和多模态特征。这种复杂性大幅增加了优化难度，使得模型容易在高维参数空间中陷入鞍点。为解决这些问题，我们提出一种轻量级 Transformer 架构，搭配一种新颖的逃逸-探索优化器（EEO）。该优化器既增强了探索与泛化能力，又有效避免了尖锐极小值和鞍点陷阱。实验结果表明，在代表性 Web 数据场景下，我们的方法在 11 个时间序列基准数据集和 Synapse 医学图像分割任务上，性能与最先进模型持平。此外，该方法展现出优异的泛化性和稳定性，验证了其作为 Web 规模数据挖掘与分析通用跨任务基础模型的潜力。
关键词
引用
@article{arxiv.2602.02551,
title = {EEO-TFV: Escape-Explore Optimizer for Web-Scale Time-Series Forecasting and Vision Analysis},
author = {Hua Wang and Jinghao Lu and Fan Zhang},
journal= {arXiv preprint arXiv:2602.02551},
year = {2026}
}
备注
Main paper: 12 pages