在多个时空层级上学习预测

arXiv:2610.21414v1 公告类型：新 摘要：层级预测利用聚合结构，从同一个底层时空预测问题中呈现出多个视角，同时确保预测结果之间的一致性。单个序列提供细粒度信息，而逐步进行的更粗粒度聚合则揭示不同尺度上的时间和空间模式。在相关的深度学习架构中，层级决定了哪些聚合序列可用，以及如何将它们与单个序列共同处理（例如通过协调或消息传递算子）。因此，不同层级为同一组时间序列的预测提供了不同的学习信号和归纳偏置。然而，现有架构通常基于单一且往往固定的结构进行训练。在本研究中，我们提出了一种图深度学习框架，将不同层级之间的变化用作多任务正则化。我们表明，在这些结构上联合学习可以减少对任何单一层级的过度专门化，并提升预测性能。事实上，跨层级训练能够对学习在不同结构中均有用的表示施加归纳偏置，因此具有更好的泛化能力。要使预测结果符合每个采样层级的聚合约束，计算开销很大。为完善这一框架，我们提出了一种基于自顶向下方法的新型算子，该算子能够以关于层级规模的线性时间和空间复杂度生成一致的预测结果。实验表明，与基于单一结构的训练相比，我们的方法能够提高预测准确率，并且具备与当前最先进方法相当的性能。