学习鲁棒的谱动态用于时序域泛化
机器学习
2025-05-20 v1 人工智能
摘要
现代机器学习模型在面临动态环境时难以维持性能，即概念漂移 (concept drift) 常见于其中。时序域泛化 (TDG) 旨在实现跨演化域的模型泛化，但现有方法通常假设平滑的增量变化，难以应对复杂现实漂移，包括长期结构（增量演变/周期性）和局部不确定性。为克服这些限制，我们引入 FreKoo，通过参数轨迹的频率域分析来应对这些挑战。它利用傅里叶变换将参数演化分解为不同的谱波段。具体而言，采用 Koopman 算子学习和外推占主导动力学的低频分量，稳健地捕获各种漂移模式，包括增量和周期性。同时，通过针对性的时间正则化平滑可能干扰的高频变化，防止对瞬时噪声和域不确定性过拟合。此外，这种双谱策略通过理论分析严格 grounding，提供了 Koopman 预测的稳定性保证，对高频正则化提供了原则化的贝叶斯依据，并最终建立了谱动态与改进泛化性之间的多尺度泛化界限。广泛实验表明，FreKoo 在 SOTA TDG 方法上显著优于，尤其在具有复杂漂移和不确定性的真实世界流式场景中表现卓越。
引用
@article{arxiv.2505.12585,
title = {Learning Robust Spectral Dynamics for Temporal Domain Generalization},
author = {En Yu and Jie Lu and Xiaoyu Yang and Guangquan Zhang and Zhen Fang},
journal= {arXiv preprint arXiv:2505.12585},
year = {2025}
}