ASE: Attribution-Guided Semantic Evolution for Time Series Forecasting

📄 arXiv: 2610.23027v1 📥 PDF

作者: Yuxuan Zheng, Zhaoyang Li, Purui Liu, Hengbo Xiao, Guannan He

分类: cs.AI

发布日期: 2026-10-16

备注: 11 pages, 3 figures

💡 一句话要点

提出ASE框架以提升时间序列预测中的文本信息利用

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 时间序列预测 文本信息融合 归因引导 语义演变 预测模型优化

📋 核心要点

  1. 现有时间序列预测方法在利用外部文本信息时，往往未能有效整合文本与数值数据，导致预测性能不足。
  2. 本文提出的ASE框架通过构建和评估文本因子的条件贡献，优化了文本信息的表示和组合，提升了预测准确性。
  3. 在实验中，ASE在四个TESS数据集上的测试均方误差（MSE）均低于现有文献中的相应分数，显示出显著的性能提升。

📝 摘要（中文）

外部文本可以提供数值历史中缺失的预测信息，但其价值取决于如何表示、组合和应用。本文提出了归因引导的语义演变（ASE）框架，用于构建文本因子、评估其条件贡献，并部署经过验证选择的数值-文本预测因子。ASE支持特定任务的实现，结合词汇测量、语义原语或演变事件/状态因子，并与适当的数值专家相结合。通过条件重拟诊断的反馈实现，指导因子的修订和组合搜索。我们在四个与文本相关的TESS数据集和动态CSI 300股票排名上评估了ASE，结果显示其预测性能优于现有方法。

🔬 方法详解

问题定义：本文旨在解决时间序列预测中外部文本信息利用不足的问题。现有方法通常未能有效整合文本与数值数据，导致预测性能的局限性。

核心思路：ASE框架的核心思想是通过构建和评估文本因子的条件贡献，优化文本信息的表示与组合，从而提升预测准确性。该框架支持任务特定的实现，结合不同的文本因子与数值专家。

技术框架：ASE框架由多个模块组成，包括文本因子的构建、条件贡献评估和验证选择的数值-文本预测因子的部署。其反馈机制通过条件重拟诊断指导因子的修订和组合搜索。

关键创新：ASE的主要创新在于其归因引导的语义演变方法，通过反馈机制优化文本因子的组合，显著提升了预测性能。这一方法与传统的预测模型相比，能够更有效地利用外部文本信息。

关键设计：ASE框架中的关键设计包括词汇测量、语义原语和演变事件/状态因子的选择，以及适当的数值专家的结合。此外，条件重拟诊断的实现为因子的修订提供了有效的指导。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，ASE在四个TESS数据集上的测试均方误差（MSE）分别为0.001041、0.022439、0.333115和1.8150，均低于相应的文献分数。在CSI 300股票排名中，ASE的冻结文本融合实现相比数值专家提高了平均RankIC 0.000642，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括金融市场预测、气象预报和供应链管理等，能够有效整合文本信息与数值数据，提升预测的准确性和可靠性。未来，ASE框架有望在更多领域中推广应用，推动智能决策系统的发展。

📄 摘要（原文）

External text can supply predictive information absent from numerical histories, but its value depends on how it is represented, combined and deployed. We present Attribution-guided Semantic Evolution (ASE), a modular framework for constructing textual factors, evaluating their conditional contribution, and deploying validation-selected numerical--textual predictors. ASE supports task-specific implementations with lexical measurements, semantic primitives or evolved event/state factors, coupled to suitable numerical experts. Its feedback-based implementation uses conditional refitting diagnostics to guide factor revision and combination search. We evaluate ASE on the four text-associated TESS datasets and dynamic CSI 300 stock ranking. The four forecasting implementations obtain test MSEs of 0.001041, 0.022439, 0.333115 and 1.8150, each below the corresponding published TESS score. On CSI 300, the frozen text-fusion implementation improves mean RankIC by 0.000642 over its numerical expert and by 0.000701 over matched shuffled text, with positive differences in all five seeds. Controlled text perturbations support functional reliance on text correspondence, while incumbent retention prevents regressions in the measured development criterion. Together, the experiments characterize ASE at two levels: forecasting performance of task-specific implementations and the conditional contributions of individual modules.