English(EN) Selective Time Series Forecasting via Metalearning

元学习框架提高时间序列预测准确性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-22 15:02

研究人员开发了一个新的选择性预测框架，该框架利用元学习来提高时间序列预测的准确性。该框架根据从近期滞后中提取的结构特征来模拟预测误差的经验百分位数。通过将拒绝决策与预测本身分离，并将其基于领域无关的特征，该系统可以有效地避免高风险预测，并将此能力跨不同时间序列进行转移。 AI

影响这种元学习方法可以通过使深度学习模型能够避免不确定的预测来提高其在时间序列预测中的可靠性。

排序理由该集群描述了一篇提出用于时间序列预测的新元学习框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

Hugging Face Daily Papers TIER_1 English(EN) · 2026-06-22 15:02

通过元学习进行选择性时间序列预测

Deep learning methods have achieved state-of-the-art in time series forecasting, yet their accuracy varies considerably across samples, as some instances remain inherently difficult to predict. Reject option mechanisms, which allow models to abstain from high-risk predictions, ar…