跳转至

文章背景与核心概要

不规则时间序列预测（常见于医疗保健和气象学等领域）由于观测稀疏和采样不均匀，具有天然的预测难度。传统方法通常依赖预定义的基函数将这些观测聚合为固定维度的表示，然而这种方法往往会因忽略采样密度而产生渐近偏差，且对复杂时间模式的适应性有限。

为了克服这些问题，作者推出了去偏神经基函数网络（DNBNet）。该模型具有以下核心创新：去偏神经基函数响应机制（通过重要性采样纠正渐近偏差，并利用神经网络参数化基函数以增强适应性）、多尺度分解模块（采用平均池化和质量感知融合机制从稀疏数据中提取更丰富的表示）以及双分支解码器（专为稳健预测而设计的特殊架构）。实验结果表明，DNBNet 在各种真实世界的不规则时间序列场景中均展现出优异的性能和强大的泛化能力。

从基函数的视角重新审视不规则时间序列预测

作者： Rongwen Li, Changjian Chen
日期： 2026年8月18日
学科： 机器学习 (cs.LG)；人工智能 (cs.AI)
arXiv ID: 2608.17284

摘要

Irregular time series forecasting—common in fields like healthcare and meteorology—is inherently difficult due to sparse observations and non-uniform sampling. Traditional methods often rely on predefined basis functions to aggregate these observations into fixed-dimensional representations. However, this approach frequently suffers from asymptotic bias (due to ignoring sampling density) and limited adaptability to complex temporal patterns.

To overcome these issues, the authors introduce the Debiased Neural Basis-Function Network (DNBNet). This model features: * Debiased Neural Basis-Function Response Mechanism: Corrects asymptotic bias via importance sampling and utilizes neural networks to parameterize basis functions for better adaptability. * Multi-scale Decomposition Module: Employs average pooling and a mass-aware fusion mechanism to extract richer representations from sparse data. * Dual-Branch Decoder: A specialized architecture designed for robust forecasting.

Experimental results demonstrate that DNBNet achieves superior performance and strong generalizability across diverse real-world irregular time series scenarios.

不规则时间序列预测（常见于医疗保健和气象学等领域）由于观测稀疏和采样不均匀，具有天然的预测难度。传统方法通常依赖预定义的基函数将这些观测聚合为固定维度的表示。然而，这种方法往往会因忽略采样密度而产生渐近偏差，且对复杂时间模式的适应性有限。

为了克服这些问题，作者推出了去偏神经基函数网络（DNBNet）。该模型具有以下特点： * 去偏神经基函数响应机制： 通过重要性采样纠正渐近偏差，并利用神经网络参数化基函数以实现更好的适应性。 * 多尺度分解模块： 采用平均池化和质量感知融合机制，从稀疏数据中提取更丰富的表示。 * 双分支解码器： 专为稳健预测而设计的特殊架构。

实验结果表明，DNBNet 在各种真实世界的不规则时间序列场景中均取得了优异的性能和强大的泛化能力。

DNBNet 的核心特性

1. 解决渐近偏差

Existing methods often fail to account for the density of timestamps, leading to persistent errors. DNBNet corrects this by integrating importance sampling into its response mechanism, ensuring that the model remains robust regardless of how the data is sampled.

现有方法往往无法考虑时间戳的密度，从而导致持续的误差。DNBNet 通过在其响应机制中集成重要性采样来纠正这一点，确保无论数据如何采样，模型都能保持稳健。

2. 神经基函数

Rather than relying on rigid, predefined basis functions, DNBNet uses neural networks to learn and parameterize these functions. This allows the model to dynamically adapt to the unique temporal patterns present in different datasets.

DNBNet 没有依赖僵化的、预定义的基函数，而是使用神经网络来学习和参数化这些函数。这使得模型能够动态适应不同数据集中存在的独特时间模式。

3. 稀疏数据处理

To handle the inherent sparsity of irregular time series, the authors implemented a multi-scale decomposition module. By combining average pooling with a mass-aware fusion mechanism, the model is able to synthesize more meaningful information from limited data points.

为了处理不规则时间序列固有的稀疏性，作者实现了一个多尺度分解模块。通过将平均池化与质量感知融合机制相结合，模型能够从有限的数据点中合成更多有意义的信息。

访问与资源