鲁棒性多模态时间序列预测的扰动感知残差网络：PA-RNet
机器学习
2026-05-12 v2
摘要
在实际应用中，多模态时间序列预测面临一个关键挑战：文本信息虽有用，但不可靠。辅助文本可能包含无关、模糊、不完整或结构损坏的内容，直接集成文本容易引入噪声语义信号并降低预测性能。因此，鲁棒的多模态预测需要能够利用有用文本上下文的模型，同时抑制误导性扰动。为此，我们提出了 PA-RNet，即一种用于鲁棒性多模态时间序列预测的扰动感知残差网络。PA-RNet 并非直接融合文本和数值表示，而是以扰动感知方式细化多模态特征，既保留稳定的上下文信息，又减少不稳定或误导性信号。随后，将细化后的文本表示与时间动态对齐，实现在噪声多模态条件下的可靠预测。理论上，我们证明了 PA-RNet 对于文本嵌入具有 Lipschitz 连续性，并展示了所提出的谱残差校正可降低零均值文本扰动下的预期预测误差。我们进一步进行了注入文本扰动的补充实验，以检验 PA-RNet 的鲁棒性。跨多个领域的结果表明，PA-RNet 在 diverse 条件下均一致优于最先进的基线方法，在原始和噪声扰动文本条件下均保持稳定的预测性能。
引用
@article{arxiv.2508.04750,
title = {PA-RNet: Perturbation-Aware Residual Network for Robust Multimodal Time Series Forecasting},
author = {Enqiang Zhu and Zhenbin Deng and Shengzhi Wang and Yi-Kun Tang and Chanjuan Liu},
journal= {arXiv preprint arXiv:2508.04750},
year = {2026}
}