研究提出时序非平稳下模型排名反转分解框架
Start here
2026年11月4日，研究人员在 arXiv 机器学习板块发表成果，提出了一种模型无关的分析框架，用于解释时间非平稳性导致模型性能排名发生反转的结构机制。该框架将样本外 R² 分解为目标对齐、错误校准的激进性与预测不稳定性三个维度。研究还进一步推导出了局部漂移场景下岭回归的最优记忆闭式解，并在大规模金融面板上针对14种涵盖线性、树模型及神经架构的模型展开了系统评测。结果表明，模型排名反转主要由错误校准激进性的可预测激增所驱动。
AI-generated from reports · Updated 10 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习时间非平稳性下的排名反转分解：对齐性、激进性与不稳定性
研究人员提出一种模型无关框架，将样本外 $R^2$ 分解为目标对齐、错误校准的激进性与预测不稳定性，解释时间非平稳性导致模型性能排名反转的结构机制。该研究推导出局部漂移下岭回归的最优记忆闭式解，并在大规模金融面板上评测了 14 种线性、树模型和神经架构。结果表明，模型排名反转主要由错误校准激进性的可预测激增驱动。
Story heat trend
Current heat 8·Comparable peak 10（Nov 4 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.