非平稳性克星：测试时自适应（TTA）如何革新时序预测

文章预览

来源 ：时序人 本文 约2500字 ，建议阅读 7分钟 本文介绍一篇 AAAI 2025 中的工作，研究者提出了一个专为时间序列预测设计的开创性测试时自适应框架——TAFAS。 深度神经网络（DNN）在时间序列预测方面取得了显著进展，而时间序列预测是时间序列建模的主要任务之一。然而，时间序列的非平稳性削弱了预训练的时间序列预测模型在关键部署环境中的可靠性。 本文介绍一篇 AAAI 2025 中的工作，研究者提出了一个专为时间序列预测设计的开创性测试时自适应框架——TAFAS。它能够灵活地使源预测模型适应不断变化的测试分布，同时又保留了预训练期间学到的核心语义信息。通过创新性地利用部分可观测的真实数据和门控校准模块，TAFAS 实现了对源预测模型的主动、鲁棒且与模型无关的自适应。 【论文标题】 Battling the Non-stationarity in Time Series Forecasting vi ………………………………