В данной статье представлен фреймворк селективного прогнозирования, который позволяет моделям воздерживаться от высокорисковых предсказаний путем моделирования эмпирического перцентиля ошибок прогнозирования через метабучение. Используя инвариантные к масштабу статистики, полученные из недавних лагов, метод разделяет решения об отказе от прогноза и сами прогнозы, что обеспечивает перенос между гетерогенными временными рядами.

  • Фреймворк моделирует эмпирический перцентиль ошибок прогнозирования на основе структурных характеристик, извлеченных из недавних лагов посредством метабучения.
  • Он использует инвариантную к масштабу статистику, не зависящую от домена, что позволяет эффективно переносить отказ от прогноза между различными типами временных рядов.
  • Эксперименты как в условиях обучения на данных из того же домена, так и в задачах переноса обучения демонстрируют, что отбрасывание сложных образцов последовательно повышает точность прогнозирования на всех уровнях покрытия.

Этот подход устраняет ограничение существующих стратегий, связанных с обучающими доменами, обеспечивая более надежную производительность на изначально сложных случаях предсказания.