Краткое содержание

arXiv:2509.19465v2 Тип объявления: замена-перекрёстная Аннотация: Перекрёстное обучение с переносом частот (Cross-Frequency Transfer Learning — CFTL) стало популярным подходом для подготовки крупномасштабных временных рядов данных для предварительного обучения базовых моделей прогнозирования (Foundation Forecasting Models — FFM). Несмотря на перспективность CFTL, современные методы оценки производительности недостаточно точно отражают её эффективность. Это связано с рядом факторов: чрезмерной зависимостью от небольших наборов тестовых данных; недостаточным учётом размера выборки при вычислении сводных статистик; использованием неоптимальных статистических моделей; игнорированием риска значительного пересечения между наборами данных для предобучения и тестирования. Для устранения указанных недостатков мы представляем унифицированную реализацию широко используемых нейронных сетей прогнозирования, адаптированных для работы в рамках подхода CFTL; проводим предварительное обучение исключительно на проприетарных и синтетических данных, уделяя особое внимание предотвращению утечек тестов; оцениваем производительность на 15 крупных разнородных общедоступных наборах данных для конкурсов по прогнозированию. Наш эмпирический анализ...