ScaleIn实现时间序列尺度不变训练

Stepka等人提出ScaleIn，将时间序列基础模型的损失改为在缩放后的目标上计算；论文摘要称，在缩放器具有尺度等变性、残差损失为p次齐次的条件下，该方法可使每个小批量梯度和完整优化轨迹不受训练序列任意独立缩放影响。 实验覆盖4种时间序列基础模型架构和24组架构—基准比较，摘要报告ScaleIn均降低MASE，跨模型平均降幅在GIFT-Eval为18.8%、M-competitions为21.9%；监督预测中则在20组匹配设置的16组取得更低MASE。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。