用于改进非平稳时间序列深度学习的自适应预测
机器学习
2022-09-27 v3 人工智能
摘要
现实世界的时间序列数据集常常违背标准监督学习用于预测的假设——其分布随时间演化，使得常规的模型训练与模型选择过程变为次优。在本文中，我们提出一种新方法，自适应预测（SAF），以修改时间序列预测模型的训练，从而改进其在具此类非平稳时间序列数据的预测任务上的性能。SAF 在预测之前基于“回测”集成一个自适应阶段，即向后预测被掩蔽的输入。这是一种测试时训练的形式，在执行预测任务之前在测试样本上创建一个自监督学习问题。以此方式，我们的方法使得编码表示能够高效地适应演化的分布，从而获得更优的泛化能力。SAF 可集成于任何典型的基于编码器-解码器的时间序列架构，例如循环神经网络或基于注意力的架构。在已知时间序列数据极具非平稳性的领域（如医疗与健康及金融）的合成与真实世界数据集上，我们展示了 SAF 在提升预测精度方面的显著益处。
引用
@article{arxiv.2202.02403,
title = {Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary Time-Series},
author = {Sercan O. Arik and Nathanael C. Yoder and Tomas Pfister},
journal= {arXiv preprint arXiv:2202.02403},
year = {2022}
}