热点事件持续更新

研究提出时序非平稳下模型排名反转分解框架

1 篇报道1 个报道来源6 小时前更新

先了解这件事

AI 综述

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 根据报道生成 · 6 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

11月4日

13:00
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。

本事件热度走势

当前热度 8·可比范围峰值 10（11月4日 14:00）·近 24 小时可比范围变化–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。