Learning with the Nash-Sutcliffe loss
使用 Nash–Sutcliffe 损失进行学习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：摘要直接研究多时间序列的预测损失、模型估计及平稳依赖结构，最直接对应预测和时间序列，而非一般因果推断。
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…
使用 Nash–Sutcliffe 损失进行学习
- 研究问题
- 跨多个时间序列平均 Nash–Sutcliffe 效率究竟对应什么预测目标，如何为这一评价指标及其模型训练用途建立决策理论基础？
- 方法与思路
- 作者分析一减效率指标形成的损失，刻画其严格一致的多维泛函，提出数据加权最小二乘回归，并调整损失以适配不同平稳依赖序列。
- 材料陈述的贡献
- 摘要称，该损失对应数据加权的分量均值，揭示平均效率优化的隐含过程设定，并为多序列预测评价和模型估计提供理论解释。
- 阅读关注点
- 应核对泛函的数据权重和可识别条件、原始平均指标隐含的非平稳过程解释，以及调整损失后预测目标是否发生变化。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明完整证明及实证结果，不能认定全局模型普遍优于局部模型。
原文摘要
The Nash-Sutcliffe efficiency ($\text{NSE}$) is a widely used, positively oriented relative measure for evaluating forecasts across multiple time series. However, it lacks a decision-theoretic foundation for this purpose. To address this, we examine its negatively oriented counterpart, which we refer to as Nash-Sutcliffe loss, defined as $L_{\text{NS}} = 1 - \text{NSE}$. We prove that $L_{\text{NS}}$ is strictly consistent for an elicitable and identifiable multi-dimensional functional, which we name the Nash-Sutcliffe functional. This functional is a data-weighted component-wise mean. The common practice of maximizing the average $\text{NSE}$ across multiple series is the sample analog of minimizing the expected $L_{\text{NS}}$. Consequently, this operation implicitly assumes that all series originate from a single non-stationary, stochastic process. We introduce Nash-Sutcliffe linear regression, a multi-dimensional model estimated by minimizing the average $L_{\text{NS}}$, which reduces to a data-weighted least squares formulation. By reorienting the sample average loss function, we extend the previously proposed evaluation and estimation framework to forecasting multiple stationary dependent time series with differing stochastic properties. This constitutes a more natural empirical implementation of the $\text{NSE}$ than the earlier formulation. Our results establish a decision-theoretic foundation for $\text{NSE}$-based model estimation and forecast evaluation in large datasets, while further clarifying the benefits of global over local machine learning models.