MoGU：基于不确定性门控的高斯混合模型用于时间序列预测
机器学习
2026-02-04 v2 人工智能
摘要
我们提出 Mixture-of-Gaussians with Uncertainty-based Gating（MoGU），这是一种 novel 的 Mixture-of-Experts（MoE）框架，专为回归任务设计。MoGU 用内在路由范式取代标准学习型门控，使专家特定的不确定性成为天然的门控信号。通过将每个预测建模为高斯分布，系统利用预测方差动态加权专家贡献。在高度波动且噪声模式变化的多变量时间序列预测领域中验证了 MoGU。跨多个基准、不同预测时域和不同骨干网络的实验结果表明，MoGU 在预测准确率上持续优于传统 MoE。进一步的 conformal prediction 评估表明，我们的方法比现有基准更高效。这些发现突显了 MoGU 在提供竞争性能和可靠、高保真不确定性量化方面的潜力。我们的代码已公开：https://github.com/yolish/moe_unc_tsf
引用
@article{arxiv.2510.07459,
title = {MoGU: Mixture-of-Gaussians with Uncertainty-based Gating for Time Series Forecasting},
author = {Gilad Aviv and Jacob Goldberger and Yoli Shavit},
journal= {arXiv preprint arXiv:2510.07459},
year = {2026}
}