xTime：基于层次知识蒸馏和专家融合的极端事件预测
机器学习
2025-10-24 v1
摘要
极端事件频繁发生于实际时间序列中，往往具有重大的实际意义。在气候和医疗等领域，这些事件（如洪水、热浪或急性医疗事件）可能导致严重后果。因此，对此类事件的准确预测具有重要重要性。大多数现有时间序列预测模型是在整个预测窗口上优化总体性能，但往往难以准确预测极端事件，如温度升高或心率尖峰。主要挑战是数据不平衡以及忽略了 precede 极端事件中包含的有价值信息。本文提出了xTime，一个用于时间序列中极端事件预测的新框架。xTime 利用知识蒸馏将在较低稀有性事件上训练的模型的信息传递给较稀有事件，从而提高其预测性能。在此基础上，我们引入了专家混合（MoE）机制，动态选择并融合来自不同稀有性水平的专家模型的输出，进一步提高了对极端事件的预测性能。多个数据集上的实验表明，xTime 能够实现持续的改进，极端事件的预测准确率提高了3%到78%。
引用
@article{arxiv.2510.20651,
title = {xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion},
author = {Quan Li and Wenchao Yu and Suhang Wang and Minhua Lin and Lingwei Chen and Wei Cheng and Haifeng Chen},
journal= {arXiv preprint arXiv:2510.20651},
year = {2025}
}