基于知识发现的时间序列模型评估
机器学习
2025-03-20 v1
摘要
时间序列数据是存在于多种关键领域（如医疗保健、地震、制造业和能源）的最常见数据模式之一。近年来，数据挖掘社区日益关注开发时间序列深度学习模型以实现更佳性能。这些模型的性能通常通过特定的评估指标（如 RMSE、准确率和 F1 分数）进行评估。然而，时间序列数据往往难以解释，且收集于未知的环境因素、传感器配置、潜在物理机制以及非平稳演化行为中。因此，基于常规指标评估的模型可能并不总是在实际任务中表现更佳。本蓝色导论论文旨在探讨时间序列数据挖掘中存在的指标评估框架挑战，并提出一种潜在的蓝色思想——开发基于知识发现的评估框架，以有效利用领域专家知识对模型进行评估。我们表明，寻求证据的解释可能比基于指标的评估具有更大的说服力，并能获得时间序列数据挖掘任务的更好泛化能力。
引用
@article{arxiv.2503.14869,
title = {Evaluating Time Series Models with Knowledge Discovery},
author = {Li Zhang},
journal= {arXiv preprint arXiv:2503.14869},
year = {2025}
}
备注
accepted in SIAM SDM 2025 - Blue Sky Track (to appear)