面向时间序列预测的多任务元标签校正
机器学习
2024-02-20 v3 计算工程、金融与科学
摘要
时间序列分类面临两个不可避免的问题：一是部分特征信息缺失，二是标签质量差，这可能影响模型性能。为解决上述问题，我们在多任务框架下创建了一种基于元学习的时间序列数据标签校正方法。主要贡献有三。首先，我们在外循环中使用双分支神经网络训练标签校正模型；而在与模型无关的内循环中，我们以多任务方式使用已有的分类模型并联合更新元知识，从而实现对复杂时间序列的自适应标注。其次，我们为历史数据的图像模式及预测区间内的数据设计了新的数据可视化方法。最后，我们在包括 XOM、S&P500 和 SZ50 在内的多个金融数据集上测试了我们的方法。结果表明，我们的方法比一些现有标签校正技术更有效且更准确。
引用
@article{arxiv.2303.08103,
title = {Multi-task Meta Label Correction for Time Series Prediction},
author = {Luxuan Yang and Ting Gao and Wei Wei and Min Dai and Cheng Fang and Jinqiao Duan},
journal= {arXiv preprint arXiv:2303.08103},
year = {2024}
}