arXiv cs.AI· Haonan Yang, Yulin He, Zhuo Li·· 11 小时前AI 评分22
EFC：用误差反馈校准时间序列预测
Look Back, Correct Forward: Error Feedback Calibration for Time Series Forecasting
AI 导读
研究者提出 Error Feedback Calibration（EFC），一个完全在测试时运行的确定性事后校正框架，利用已揭示的预测误差为冻结的预测模型提供因果反馈。
正文 · AI 翻译
摘要：时间序列预测模型越来越多地部署在持续演变的环境中。预测发布后，未来的观测会逐渐到来，并揭示模型是如何失败的。现有方法主要将此类观测视为参数更新的监督信号。然而，已验证的预测误差本身能否为修正未来预测提供因果反馈，目前仍不清楚。为此，我们提出了误差反馈校准（EFC），这是一个完全在测试时进行的时间序列预测确定性事后校正框架。EFC 从重叠历史预测所揭示的误差中构建因果误差对角线（CED），为冻结预测器近期的失败行为提供全新视角。随后，累积误差传输（CET）利用累积估计将该误差状态映射为未来残差，同时通过时间样本外验证控制校正强度。时间残差学习（TRL）进一步仅从近期 CED 轨迹中预测 CET 之后剩余的残差结构，而非重新学习整个预测误差。跨预测骨干网络和数据集的广泛实验表明，EFC 在广泛提升预测性能的同时，大幅控制有害的过度校正。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.22872 [cs.AI] |
| （或 arXiv:2610.22872v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22872 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haonan Yang [查看电子邮件]
[v1]
2026年10月16日星期五 03:22:18 UTC（866 KB）
来源：arXiv cs.AI · arxiv.org