Este artículo presenta un marco de pronóstico selectivo que permite a los modelos abstenerse de realizar predicciones de alto riesgo al modelar el percentil empírico de los errores de pronóstico mediante metaaprendizaje. Al utilizar estadísticas invariantes a la escala derivadas de rezagos recientes, el método desacopla las decisiones de rechazo de los pronósticos para habilitar la transferencia entre series temporales heterogéneas.
- El marco modela el percentil empírico de los errores de pronóstico basándose en características estructurales extraídas de rezagos recientes mediante metaaprendizaje.
- Utiliza una estadística invariante a la escala que es independiente del dominio, lo que permite una transferencia efectiva de la abstención entre diferentes tipos de series temporales.
- Los experimentos tanto en configuraciones de dominio como de aprendizaje por transferencia demuestran que rechazar muestras desafiantes mejora consistentemente la precisión del pronóstico en todos los niveles de cobertura.
Este enfoque aborda la limitación de las estrategias existentes vinculadas a dominios de entrenamiento, permitiendo un rendimiento más confiable en instancias de predicción inherentemente difíciles.