arXiv cs.AI· Yeryeong Kwak, Yoo-Min Jung, Jonghun Park·· 4 小时前AI 评分24
PILOT:用预测误差伪标签学习在线时间序列预测的重训练时机
Pseudo-Label-Triggered Retraining from Forecast Errors for Online Time Series Forecasting
AI 导读
研究者提出 PILOT(Pseudo-label-Informed Learned Online Trigger),一种从预测误差动态中学习何时重训练的在线重训练框架,用未来预测误差上升构造伪标签训练轻量打分器。
正文 · AI 翻译
摘要:现实世界的时间序列预测系统运行在非平稳数据流之下,预测性能可能随时间下降。虽然重新训练可以恢复性能,但会带来不小的计算与运维成本。在部署资源有限的情况下,关键挑战不仅在于如何重新训练,还在于何时重新训练。现有重新训练策略往往依赖漂移告警或模型陈旧度等间接指标,而我们改用已实现的预测误差作为直接的部署反馈。本文提出 PILOT(Pseudo-label-Informed Learned Online Trigger,伪标签信息引导的学习式在线触发器),这是一个从预测误差动态中学习何时重新训练的在线重训练框架。由于无法获得真实的重训练标签,PILOT 根据未来预测误差的上升构造伪标签,并训练一个轻量级评分器从观测到的误差状态中预测该伪标签。在部署时,PILOT 仅使用已完成的预测误差,并可作为即插即用模块用于任意预测骨干网络,无需修改架构。我们在标准多变量预测设置下,使用三个代表性骨干网络——DLinear、iTransformer 和 TimesNet——在八个基准上评估了 PILOT。在全部三个骨干网络上,PILOT 在重训练策略中取得了最优的平均排名性能,同时保持了良好的性能—效率权衡。
| 评论: | 已被 WSDM 2027(主会)接收 |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2609.39789 [cs.LG] |
| (或 arXiv:2609.39789v2 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2609.39789 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI: | https://doi.org/10.1145/3862322.3863553
链接到相关资源的 DOI |
提交历史
来自:Yoo-Min Jung [查看邮箱]
[v1]
2026年9月30日 星期三 14:10:20 UTC(381 KB)
[v2]
2026年11月17日 星期二 13:41:37 UTC(557 KB)
来源:arXiv cs.AI · arxiv.org