面向未来不确定性的可靠时间序列预测：模糊性与新颖性拒绝机制
机器学习
2025-03-26 v1 人工智能
摘要
在实际的时间序列预测中，不确定性和可靠评估的缺乏构成重要挑战。值得注意的是，预测误差常常源于对驼带（in-distribution）数据的拟合不足，以及未能处理超出驼带（out-of-distribution）输入。为提升模型可靠性，我们引入一种结合模糊性拒绝与新颖性拒绝的双重拒绝机制。模糊性拒绝利用预测误差方差，使模型在置信度低时可自主放弃预测，通过对历史误差方差的分析实现，无需未来真实值。新颖性拒绝则采用变分自编码器（Variational Autoencoders）和马哈努里斯距离（Mahalanobis distance）来检测与训练数据分布的偏离。这种双重方法通过降低错误并适应数据变化，提升了动态环境中预测的可靠性，推动了复杂情境下的可靠性提升。
引用
@article{arxiv.2503.19656,
title = {Towards Reliable Time Series Forecasting under Future Uncertainty: Ambiguity and Novelty Rejection Mechanisms},
author = {Ninghui Feng and Songning Lai and Xin Zhou and Jiayu Yang and Kunlong Feng and Zhenxiao Yin and Fobao Zhou and Zhangyi Hu and Yutao Yue and Yuxuan Liang and Boyu Wang and Hang Zhao},
journal= {arXiv preprint arXiv:2503.19656},
year = {2025}
}