Équilibrer un corpus de séries temporelles avant de changer de modèle

Le corpus est une partie du modèle

Les modèles de prévision zéro-shot sont souvent comparés par architecture alors que la diversité et la composition des données déterminent aussi ce qu'ils apprennent. Yujie Li, Zezhi Shao, Chengqing Yu, Yisong Fu, Weijie Zhu, Yifan Du, Jilin Hu, Bin Yang, Yongjun Xu et Fei Wang proposent QUALS pour traiter cette dimension.

Quantifier les motifs et synchroniser la difficulté

QUALS combine une quantification de motifs, qui décode les structures hétérogènes par vector quantization et binning uniforme, avec une synchronisation de la capacité d'apprentissage. Les poids d'échantillonnage sont calibrés pour réduire l'écart entre motifs simples et complexes.

Résultats rapportés

Le résumé indique que le pré-entraînement sur QUALS améliore systématiquement les performances zéro-shot dans les benchmarks, y compris avec une fraction réduite du budget d'entraînement original.

Interprétation éditoriale : auditer le mélange de données

Un agent de forecasting devrait conserver la composition du corpus et la provenance des motifs qui soutiennent une prédiction. Une amélioration avec moins de données peut venir d'un meilleur équilibre plutôt que d'une meilleure architecture. Le rapport doit donc séparer qualité du modèle, sélection des données et budget.

Limites et statut de la source

Les gains dépendent des corpus, motifs et benchmarks étudiés. Un corpus équilibré selon une mesure peut sous-représenter un cas métier rare. Le document est un preprint ArXiv et ne constitue pas un conseil financier.

Source

Yujie Li, Zezhi Shao, Chengqing Yu, Yisong Fu, Weijie Zhu, Yifan Du, Jilin Hu, Bin Yang, Yongjun Xu et Fei Wang, « QUALS: Corpus Equilibrium for Universal Forecasting via Pattern Quantization and Learnability Synchronization », ArXiv 2609.20156v1 : résumé et preprint, PDF.