VC-सैद्धांतिक सामान्यीकरण सीमाओं पर आधारित टाइम सीरीज के लिए स्थानीय रैखिक सतत शिक्षा

अधिकांश मशीन लर्निंग विधियाँ निश्चित प्रायिकता वितरण मानती हैं, जो गैर-स्थिर वास्तविक-दुनिया परिदृश्यों में उनकी उपयोगिता सीमित करती हैं। जबकि सतत शिक्षा विधियाँ इस समस्या को संबोधित करती हैं, वर्तमान दृष्टिकोण अक्सर ब्लैक-बॉक्स मॉडल पर निर्भर करते हैं या व्याख्यात्मकता के लिए व्यापक उपयोगकर्ता हस्तक्षेप की आवश्यकता होती है। हम SyMPLER (सिस्टम मॉडलिंग थ्रू पीसवाइस लाइनियर एवोल्विंग रिग्रेशन) का प्रस्ताव करते हैं, जो गैर-स्थिर पर्यावासों में टाइम सीरीज पूर्वानुमान के लिए एक व्याख्यात्मक मॉडल है, जो गतिशील पीसवाइस-लाइनियर समीकरणों पर आधारित है। अन्य स्थानीय रैखिक मॉडलों के विपरीत, SyMPLER सांख्यिकीय शिक्षा सिद्धांत से सामान्यीकरण सीमाओं का उपयोग करता है ताकि भविष्यवाणी त्रुटियों के आधार पर नए स्थानीय मॉडलों को स्वचालित रूप से जोड़ा जा सके, जिससे डेटा के स्पष्ट क्लस्टरिंग की आवश्यकता समाप्त हो जाती है। प्रयोग दिखाते हैं कि SyMPLER ब्लैक-बॉक्स और मौजूदा व्याख्यात्मक मॉडलों की तुलना में समान प्रदर्शन हासिल कर सकता है, जबकि मानवीय व्याख्यात्मक संरचना बनाए रखता है जो सिस्टम के व्यवहार के बारे में अंतर्दृष्टि प्रदान करती है। इस दृष्टिकोण में, हमारा तरीका सटीकता और व्याख्यात्मकता का सामंजस्य करता है, जो गैर-स्थिर टाइम सीरीज पूर्वानुमान के लिए एक पारदर्शी और अनुकूलनशील समाधान प्रदान करता है।