RG-TTA: 状态引导的元控制用于流式时间序列测试时适应

测试时适应（TTA）使神经预测器能够适应流式时间序列中的分布偏移，但现有方法无论偏移的性质如何均应用相同的适应强度。我们提出状态引导测试时适应（RG-TTA），一种基于与先前见过的状态分布相似性持续调节适应强度的元控制器。利用Kolmogorov-Smirnov、Wasserstein-1、特征距离和方差比度量的集成，RG-TTA为每个传入批次计算相似性分数，并用它来（i）平滑调节学习率——对新分布更激进，对熟悉分布更保守——以及（ii）通过基于损失的提前停止而非固定预算来控制梯度投入，使系统能够为每个批次分配恰好所需的努力。作为补充机制，RG-TTA通过状态记忆门控检查点复用，仅在存储的专业模型明显优于当前模型（损失改善>=30%）时加载它们。RG-TTA是模型无关的且策略可组合的：它包装任何暴露train/predict/save/load接口的预测器，并增强任何基于梯度的TTA方法。我们展示了三种组合——RG-TTA、RG-EWC和RG-DynaTTA——并在4种紧凑架构（GRU、iTransformer、PatchTST、DLinear）、14个数据集（6个真实世界多变量基准+8个合成状态场景）和4个预测范围（96、192、336、720）下评估了6种更新策略（3种基线+3种状态引导变体），采用流式评估协议和3个随机种子（共672个实验）。状态引导策略在156/224个种子平均实验（69.6%）中取得了最低MSE，其中RG-EWC占30.4%，RG-TTA占29.0%。总体而言，RG-TTA相比TTA将MSE降低5.7%，同时运行速度快5.5%；RG-EWC相比独立EWC将MSE降低14.1%。