时间序列预测的最小二乘法

摘要

arXiv:2610.03812v1 Announce Type: new Abstract: A time-series forecast is scored on a future value of the series. A representation loss that regresses the next latent, as in LeNEPA, is a different lea...

the and forecast series that latent least The program rank

2026-10-06 1 阅读约1分钟阅读 Weiu-qiou Ciang, Yuzhou Hong, Sherry Chen

arXiv:2610.03812v1 公告类型：新摘要：时间序列预测是根据该序列的未来值进行评分。回归下一个潜在变量的表示损失（如 LeNEPA 中）是同一瓶颈上的不同最小二乘问题。我们把这两个程序都写下来。预测程序最大限度地减少了将报告的坐标上的解码潜在误差。对于标量目标和线性解码器，至少一个的每个潜在等级与普通最小二乘匹配，并且各向同性约束只是一种重新缩放：在解码器重新拟合后，预测不会移动。另一个程序以固定等级拟合整个下一个向量，然后冻结编码器并附加一个头。在最后三个坐标是相同自回归的四维序列中，1 级拟合将质量 $0.9998$ 放在重复坐标上，并以边际方差 $2.794$ 预测剩余信号。预测程序将质量 $1$ 放在信号上，并匹配创新方差 $0.992$。 Rank $2$ 给出向量拟合的第二个方向，并且两个程序一致。迭代拟合的一步系数 $0.803$ 会将开环误差从一步的 $0.992$ 提高到八步的 $2.700$。

订阅66必读