DistDF：时间序列预测需要联合分布 Wasserstein 对齐
DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment
精选理由
提出以联合分布 Wasserstein 距离训练预测模型，缓解自相关导致的估计偏差，提升多种时间序列预测方法的表现。
AI 摘要
arXiv:2510.24574v3 公告类型：替换 摘要：训练时间序列预测模型需要将模型预测的条件分布与标签序列的条件分布对齐。标准的直接预测（DF）方法通过最小化条件负对数似然来实现这一目标，通常使用均方误差进行估计。然而，当标签序列存在自相关性时，这种估计会产生偏差。本文提出 DistDF，通过最小化预测序列与标签序列的条件分布之间的分布差异来实现对齐。由于难以根据有限的时间序列观测值估计此类条件分布差异，我们引入了一种用于时间序列预测的联合分布 Wasserstein 差异，并从理论上证明，它是目标条件分布差异的上界。所提出的差异度量易于计算、可微，且易于与基于梯度的优化方法兼容。大量实验表明，DistDF 能够改进多种预测模型，并取得领先性能。代码可在 https://anonymous.4open.science/r/DistDF-F66B 获取。