Optimal Empirical Risk Minimization under Temporal Distribution Shifts
时间分布漂移下的最优经验风险最小化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确包含股票市场波动率预测应用，其他一般分布漂移任务不足以支持更多领域分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
时间分布漂移下的最优经验风险最小化
- 研究问题
- 训练与部署的数据分布随时间变化时，如何选择历史样本权重，使经验风险最小化适应动态环境并改善样本外预测？
- 方法与思路
- 作者提出RIDER，在由众多不可预测变化叠加形成的随机分布漂移模型下推导最优权重，并将其作为模型微调步骤。
- 材料陈述的贡献
- 摘要称合并全部数据、指数加权及仅用近期数据均是框架特例，并报告在Yearbook、股票波动率和出租车时长任务中的预测改善。
- 阅读关注点
- 应核对最优性的风险目标与漂移假设、权重估计方法，以及时间划分、微调预算和不同基准方法比较的公平性。
- 阅读边界
- 这是arXiv预印本，不能认定已经同行评审或接收。摘要未给出最优性条件和性能数值，随机分布漂移不等同于经济结构突变。
原文摘要
Temporal distribution shifts pose a key challenge for machine learning models trained and deployed in dynamically evolving environments. This paper introduces RIDER (RIsk minimization under Dynamically Evolving Regimes) which derives optimally-weighted empirical risk minimization procedures under temporal distribution shifts. Our approach is theoretically grounded in the random distribution shift model, where random shifts arise as a superposition of numerous unpredictable changes in the data-generating process. We show that common weighting schemes, such as pooling all data, exponentially weighting data, and using only the most recent data, emerge naturally as special cases in our framework. We demonstrate that RIDER consistently improves out-of-sample predictive performance when applied as a fine-tuning step on the Yearbook dataset, across a range of benchmark methods in Wild-Time. Moreover, we show that RIDER outperforms standard weighting strategies in two other real-world tasks: predicting stock market volatility and forecasting ride durations in NYC taxi data.