EVEREST：用于罕见事件时间序列预测的证据性、尾部敏感 Transformer
摘要
对 multivariate time-series 数据中的罕见事件进行预测具有挑战性，主要due to severe class imbalance、long-range dependencies 和 distributional uncertainty。我们引入 EVEREST，一种基于 transformer 的 architecture，用于概率性罕见事件预测，能够提供已校准的预测和尾部敏感的风险估计，并通过 attention-based signal attribution 实现辅助可解释性。EVEREST 集成了四个组件：(i) 用于软聚合 temporal dynamics 的可学习 attention bottleneck；(ii) 用于估计 aleatoric 和 epistemic 不确定性的 evidential head，通过 Normal--Inverse--Gamma 分布实现；(iii) 建模尾部风险的 extreme-value head，使用 Generalized Pareto Distribution；(iv) 用于早期事件检测的轻量级 precursor head。这些模块通过组合损失函数（焦点损失、evidential NLL 和 tail-sensitive EVT penalty）联合优化，仅在 training time 起作用；部署时使用单个 classification head，无 inference overhead（约 0.81M 参数）。在十年的 space-weather 数据上，EVEREST 实现了在 24/48/72 小时 horizon 上 C-class flares 的 state-of-the-art True Skill Statistic (TSS) 为 0.973/0.970/0.966。该模型紧凑、高效，可在普通硬件上训练，并适用于 industrial monitoring、气象和卫星诊断等 high-stakes 领域。局限性在于依赖固定长度输入且排除了 image-based 模态，激励未来扩展到 streaming 和 multimodal 预测。
引用
@article{arxiv.2601.19022,
title = {EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting},
author = {Antanas Zilinskas and Robert N. Shorten and Jakub Marecek},
journal= {arXiv preprint arXiv:2601.19022},
year = {2026}
}
备注
Updated author affiliation. No changes to technical content