KReF: Recupero Senza Addestramento per la Previsione Probabilistica a Lungo Termine
Quindi, c'è questo nuovo framework chiamato KReF, che sta per Knowledge Retrieval for Forecasting. È progettato per migliorare la previsione di serie temporali a lungo termine senza fare affidamento sui metodi di addestramento tradizionali. Invece di usare modelli addestrati o costruire intervalli attorno alle previsioni, KReF recupera dati storici rilevanti per creare una distribuzione predittiva al momento. Incorpora una pre-elaborazione intelligente e usa coppie di dati storici per guidare le previsioni. Il metodo si adatta in base ai pesi di similarità, influenzando varie metriche come i quantili e i punteggi di probabilità classificata continua. Inoltre, adatta le stime degli intervalli usando tassi specifici scelti durante la validazione. Questo framework affronta davvero il problema del feedback ritardato nelle previsioni a lungo termine. Puoi consultare l'articolo completo su arXiv, ID 2608.06748.
Fatti principali
- KReF è un framework di recupero senza addestramento per la previsione probabilistica di serie temporali a lungo termine.
- Tratta i futuri storici recuperati come una distribuzione predittiva empirica locale alla query.
- Usa statistiche artigianali o caratteristiche di Fourier casuali congelate per incorporare i lookback.
- I pesi di similarità definiscono le masse predittive, i quantili, il CRPS e una previsione puntuale a media pesata.
- Costruisce una mappa di trasformazione integrale di probabilità dal lookback della query osservata.
- Applica tassi di espansione e contrazione selezionati in validazione per adattare gli intervalli.
- Affronta i problemi di feedback ritardato nei metodi conformali sequenziali a lunghi orizzonti.
- L'articolo è disponibile su arXiv con ID 2608.06748.
Entità
Istituzioni
- arXiv