ReAugment：基于模型库引导的强化学习_few-shot 时间序列增广与预测
机器学习
2025-05-23 v4
摘要
时间序列预测在少样本学习场景中具有数据稀缺的挑战。为此，本文探索使用强化学习 (RL) 进行时间序列数据增广的 pilot 研究。我们的方法 ReAugment 旨回答三个关键问题：训练集应增广哪些部分、增广应如何进行、RL 带来何种优势。具体而言，我们维护一个预测模型库，通过衡量跨模型的预测多样性识别出易过拟合的样本，并以其为增广锚点。利用 RL，方法可自适应地将易过拟合的样本转换为新的训练数据，这些数据不仅提升了训练集的多样性，还将增广后的数据引导至模型易过拟合的目标区域。我们在广泛的基准模型上验证了 ReAugment 的有效性，显示其在标准时间序列预测和少样本学习任务中均具有优势。
关键词
引用
@article{arxiv.2409.06282,
title = {ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting},
author = {Haochen Yuan and Yutong Wang and Yihong Chen and Yunbo Wang and Xiaokang Yang},
journal= {arXiv preprint arXiv:2409.06282},
year = {2025}
}