面向深度时间序列预测的选择性学习
人工智能
2025-10-30 v1
摘要
深度学习因其捕捉复杂时序模式的高容量，已显著推动了时间序列预测 (TSF)。然而，深度模型因时间序列对噪声和异常值极易过拟合。当前的深度学习范式通过均方误差 (MSE) 损失函数统一优化所有时序步长，却对那些不确定且异常的时序步长缺乏区分，最终导致过拟合。为此，我们提出一种新的选择性学习策略用于深度 TSF。具体而言，选择性学习筛选出整个时序步长的子集用于计算 MSE 损失，以引导模型聚焦于具有可 generalization 能力的时序步长，同时忽略不可 generalization 的时序步长。我们的框架引入双掩码机制以针对时序步长：(1) 基于残差熵的不确定性掩码，用于过滤不确定的时序步长；(2) 基于残差下界估计的异常掩码，用于排除异常时序步长。广泛的实验在八个真实世界数据集上表明，选择性学习可显著提升典型 SOTA 深度模型的预测性能，其中包括 Informer 37.4% 的 MSE 降低、TimesNet 8.4% 的降低和 iTransformer 6.5% 的降低。
引用
@article{arxiv.2510.25205,
title = {Energy-Efficient Autonomous Driving with Adaptive Perception and Robust Decision},
author = {Yuyang Xia and Zibo Liang and Liwei Deng and Yan Zhao and Han Su and Kai Zheng},
journal= {arXiv preprint arXiv:2510.25205},
year = {2025}
}
备注
It was accepted by ICDE2026