arXiv cs.AI· Federico Zucchi, Yi Xie, Chao Zhang, Thomas Lampert, Ziyue Li·· 3 天前AI 评分22
自适应分块用于时间序列预测比看起来更难
Adaptive Patching Is Harder Than It Looks For Time-Series Forecasting
AI 导读
研究对比三种自适应分块方法与调优后的固定分块基线，在长时程预测基准上准确率差异普遍很小，自适应分块并无一致优势，固定分块通常训练更快且推理时无需自适应路由。作者进而提出预算化分块分配的理论框架，给出非均匀分配在相同预算下优于均匀分配的精确判据，并指出即使区域权重排序正确，过度重新分配分辨率也可能增加损失。
正文 · AI 翻译
摘要：自适应分块已被提出用于时间序列预测：在序列局部信息量大的地方分配更细的分块。我们将三种自适应分块方法与经过调优的均匀分块对照方法进行比较，后者在整个输入中使用一个固定分块大小，同时保持每种方法的主干网络家族和共享训练协议不变。在评估的长时程基准上，我们观察到准确率差异大多很小，自适应分块没有一致的优势；均匀变体通常训练更快，并避免了推理时的自适应路由。受这些观察启发，我们通过一种统一的均匀、非均匀和重叠布局的分辨率密度表示，独立于分块规则，开发了一个预算化分块分配的理论框架。在可分离的共享损失模型中，我们推导出一个精确准则，用于判断在相同预算下非均匀分配何时优于均匀分配。我们通过二次代理局部刻画建模增益，并在强凸性和有界损失导数下给出全局界。该分析区分了分辨率放置的位置与重新分配的多少：即使一个按权重正确排序区域的分配，也可能重新分配过多分辨率并增加建模损失。在没有跨时间耦合的情况下，正的区域权重保持共享损失的极小值点。当共享损失具有共同的最小化速率时，随着均匀速率接近它，剩余的绝对改进空间趋于零。这些结果刻画了所述模型下区域加权、放置和重新分配强度的作用。实证结果支持将自适应分块与经过调优的均匀基线进行评估，并权衡任何准确率提升与自适应路由带来的额外训练和推理成本。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；信息论（cs.IT） |
| 引用为： | arXiv:2606.04074 [cs.LG] |
| （或此版本的 arXiv:2606.04074v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2606.04074 由 DataCite 提供的 arXiv 颁发 DOI |
提交历史
来自：Federico Zucchi [查看电子邮件]
[v1]
2026年6月2日星期二 15:49:06 UTC（165 KB）
[v2]
2026年10月13日星期二 15:00:00 UTC（745 KB）
来源：arXiv cs.AI · arxiv.org