远程预测是许多决策支持系统的起点，需要在预测值上从高级聚合模式中汲取推断。最先进的时间序列预测方法要么受到Long-Horizo n预测的概念漂移，或者未能准确地预测连贯和准确的高水平聚集体。在这项工作中，我们提出了一种新颖的概率预测方法，其在基础级别和预测总统计方面产生了一致的预测。我们使用新推断方法实现预测基础级和聚合统计数据之间的一致性。我们的推断方法基于KL分歧，可以在封闭形式中有效地解决。我们表明，我们的方法在基本级别和静电汇总推断上的预测性能提高了三种不同域的真实数据集的帖子推断。
translated by 谷歌翻译
在几个真实的世界应用中，部署机器学习模型以使数据对分布逐渐变化的数据进行预测，导致火车和测试分布之间的漂移。这些模型通常会定期在新数据上重新培训，因此他们需要概括到未来的数据。在这种情况下，有很多关于提高时间概括的事先工作，例如，过去数据的连续运输，内核平滑时间敏感参数，最近，越来越多的时间不变的功能。但是，这些方法共享了几个限制，例如可扩展性差，培训不稳定，以及未来未标记数据的依赖性。响应上述限制，我们提出了一种简单的方法，该方法以时间敏感的参数开头，但使用梯度插值（GI）丢失来规则地规则化其时间复杂度。 GI允许决策边界沿着时间改变，并且仍然可以通过允许特定于时间的改变来防止对有限训练时间快照的过度接种。我们将我们的方法与多个实际数据集的现有基线进行比较，这表明GI一方面优于更加复杂的生成和对抗方法，另一方面更简单地梯度正则化方法。
translated by 谷歌翻译