外生辍学：使用协变量进行腐败鲁棒时间序列预测的简单而强大的基线

arXiv:2607.05452v1 公告类型：新 摘要：使用外源协变量的时间序列预测器在部署中很脆弱：当这些协变量受到噪声、时间错位或缺失时，强外源融合和外源适应模型可能会退化到远远高于纯内源下限。我们研究这种鲁棒性是否需要专门的架构，或者是否可以通过简单的训练干预来获得。我们提出了外源dropout，这是一种与模型无关的方法，在训练期间随机将整个外源通道归零。在电价预测、水库水文学和气象学中，外生丢失极大地提高了高斯噪声、时间错位和完全缺失通道下的鲁棒性，同时保持了干净的准确性。应用于双相关网络时，它在我们的实验中产生了最稳健的模型，优于特意强的有界架构箔 BoundEx，它结合了可学习门、内源主干的后备残差和每通道外源 FiLM 调制。逐个dropout的架构消融、门行为诊断和表示级界限表明，对于这种鲁棒性来说，显式的架构有界性并不是必需的：使用外生dropout训练的无界模型比每个域中的有界模型更稳健。我们发布了一个腐败鲁棒性基准，并建议将外生丢失作为未来协变量时间序列预测工作的简单而强大的基准。