Improving time series estimation and prediction via transfer learning
通过迁移学习改善时间序列估计与预测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 VAR 时间序列估计与预测，并以多国宏观变量为应用。
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…
关注这篇论文的作者
通过迁移学习改善时间序列估计与预测
- 研究问题
- 面对高维但样本有限的时间序列，如何利用相关来源序列的信息提高向量自回归估计效率，并支持更准确的预测？
- 方法与思路
- 作者提出基于表示学习的 VAR 迁移框架，使用两阶段正则化估计与交替更新算法，并允许序列样本量和起止时间不同。
- 材料陈述的贡献
- 摘要称，方法具有非渐近理论性质，可整合异步且长度不同的序列，并通过模拟及日本与另外九国的宏观变量应用展示用途。
- 阅读关注点
- 应核对源序列与目标序列共享表示的条件、负迁移风险、非渐近界中的依赖结构，以及预测评估是否严格使用样本外信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出共享结构条件或预测改善数值，不能认定任意来源均有帮助。
原文摘要
There are many time series in the literature with high dimension yet limited sample sizes, such as macroeconomic variables, and it is almost impossible to obtain efficient estimation and accurate prediction by using the corresponding datasets themselves. This paper fills the gap by introducing a novel representation-based transfer learning framework for vector autoregressive models, and information from related source datasets with rich observations can be leveraged to enhance estimation efficiency through representation learning. A two-stage regularized estimation procedure is proposed with well established non-asymptotic properties, and algorithms with alternating updates are suggested to search for the estimates. Our transfer learning framework can handle time series with varying sample sizes and asynchronous starting and/or ending time points, thereby offering remarkable flexibility in integrating information from diverse datasets. Simulation experiments are conducted to evaluate the finite-sample performance of the proposed methodology, and its usefulness is demonstrated by an empirical analysis on 20 macroeconomic variables from Japan and another nine countries.