提示詞描述

圖表標題： M=2 共同教學時間序列預測訓練框架 整體佈局： 圖表從左至右排列，包含四個主要階段： 輸入 → 雙模型平行預測 → 小損失樣本選擇 → 交叉更新。 中間部分由兩個對稱的模型分支組成，結構相同但參數獨立。 1. 輸入模組（最左側）： 繪製一個輸入塊，標記為： 時間序列輸入窗口 塊內描述： 使用滑動窗口構建樣本。 輸入長度為 𝐿，預測長度為 𝐻 塊下方註釋： 保持輸入序列乾淨。 監督雜訊僅注入到預測目標中。 從此輸入塊繪製兩個箭頭，分別指向上下模型分支。 2. 雙模型平行結構（中間）： 繪製兩個垂直排列的模型塊，尺寸相同： 上方模型：模型 𝑓 𝜃 1 下方模型：模型 𝑓 𝜃 2 模型塊內註釋： 相同架構 參數彼此獨立 每個模型塊接收來自輸入模組的時間序列窗口。 3. 平行預測和損失計算： 從每個模型塊向右繪製箭頭，連接到相應的預測輸出塊： 上方預測塊：預測輸出 𝑌 ^ ( 1 ) 下方預測塊：預測輸出 𝑌 ^ ( 2 ) 在每個預測輸出塊下方，繪製一個損失計算模組： 模組名稱：窗口級別損失計算 模組內描述： 聚合預測窗口內所有時間步的誤差。 使用基本損失函數（例如 MSE 或 Huber）。 獲得每個樣本的窗口級別損失值。 4. 小損失樣本選擇： 從每個「窗口級別損失計算」模組向右繪製箭頭，連接到樣本選擇模組： 上方選擇塊：小損失樣本選擇（前 r%） 下方選擇塊：小損失樣本選擇（前 r%） 模組內描述： 根據窗口級別損失對樣本進行排序。 選擇損失較小的前 r% 的樣本。 認為它們的監督信息相對可靠。 5. 交叉樣本交換機制（關鍵部分）： 在兩個「小損失樣本選擇」模組之間繪製交叉箭頭： 從上方選擇模組指向下方模型。 從下方選擇模組指向上方模型。 交叉箭頭旁邊的標籤： 交叉更新 文字描述： 每個模型不使用自己選擇的樣本進行更新。 而是使用另一個模型選擇的樣本來更新其參數。 避免模型對噪聲樣本的自我強化。 6. 參數更新： 將交叉箭頭連接回相應的模型塊： 模型 𝑓 𝜃 1：使用來自模型 𝑓 𝜃 2 的樣本進行參數更新。