时间序列预测基准需要场景化压力测试
Get the story
2026年10月5日，arXiv（Artificial Intelligence，一手来源）发表文章《时间序列预测基准为何需要场景化压力测试》。文章指出，当前时间序列预测（TSF）基准评测过度依赖留出误差；稳健性研究又常把失效简化为高斯噪声、随机掩码或有界对抗扰动，难以反映真实部署中的失效模式。文章认为，输入侧异常往往对应改变时间动态、破坏跨变量依赖、引发状态切换或由故障传感器传导至下游决策的结构化事件，i.i.d. 扰动无法忠实刻画这类语义、因果与系统级失效。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Artificial Intelligence时间序列预测基准为何需要场景化压力测试
时间序列预测（TSF）基准评测过度依赖留出误差，稳健性研究又常把失效简化为高斯噪声、随机掩码或有界对抗扰动，难以反映真实部署中的失效模式。输入侧异常往往对应改变时间动态、破坏跨变量依赖、引发状态切换或由故障传感器传导至下游决策的结构化事件，i.i.d. 扰动无法忠实刻画这类语义、因果与系统级失效。
Heat trend
Current heat 7·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.