（通訊員：李偉夫）近日，我校陳洪教授人工智能與統計學習課題組以“Huber Additive Models for Non-stationary Time Series”為題，在International Conference on Learning Representations（ICLR 2022）發表研究論文。ICLR是人工智能領域的頂級會議，得到國内外學者的廣泛認可。

 稀疏可加模型在處理時間序列數據時表現出良好的靈活性和可解釋性。然後，現有的方法通常假設時間序列數據是平穩的，且服從高斯分布。對于金融和醫療領域等經常出現的重尾非平穩時間序列數據，這兩種假設都過于嚴格。為了解決該問題，該論文提出了一種自适應稀Huber可加模型 (SpHAM) ，以實現面向非高斯數據和（非）平穩數據的穩健預測。理論上，對于平穩和非平穩時間序列數據，論文建立了獨立于觀測混合條件的泛化誤差界。特别地，非平穩時間序列情形的誤差界包含數據分布随時間變化的差異度量，借助該差異度量的經驗估計可用于改造正則模型的懲罰項。應用上，該方法在合成和真實基準數據集上顯示了良好的性能。

 傳統稀疏可加模型與論文方法的差異如下表所示：

   下表顯示了SpHAM在不同噪聲、不同種類（平穩、非平穩）時間序列數據下的有效性： 

 該研究是陳洪教授前期可加模型系列CCF A人工智能頂會工作（H. Chen, X. Wang and H. Huang, NIPS 2017; X. Wang, H. Chen and H. Huang, NIPS 2017；G. Liu, H. Chen and H. Huang, ICML 2020；Y.Wang, H.Chen et al., NeurIPS 2020）和人工智能頂刊工作（H. Chen, Y. Wang, C. Deng and F. Zheng, TNNLS 2021）的進一步延續和深入，得到了國家自然科學基金面上項目等的資助。該論文合作單位包括京東探索研究院、悉尼大學等。陳洪教授指導的博士研究生王英傑為論文第一作者，陳洪教授為論文通訊作者。

（編輯：熊錦   審核：石峰）