时间序列基础模型的尺度不变训练方法

2026年10月15日，arXiv Artificial Intelligence 刊出 Ignacy Stepka 等作者的研究，提出面向时间序列基础模型的尺度不变训练方法 ScaleIn。研究指出，ReVIN 等仿射缩放方法在缩放后的目标上计算损失，会使每条序列的梯度被乘以 b^p，导致高尺度序列主导训练，作者将这一现象称为尺度污染训练（ScaleCon）。据该报道，ScaleIn 在 24 项对比中全部降低 MASE。报道称，多数现有时间序列预测流程可通过一行代码改动采用 ScaleIn。上述结论与适用条件均来自该篇报道，其效果与易用性说法尚未见其他来源独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。