STEPS: A Temporal Smooth Error Propagation Solver on the Manifolds for Test-Time Adaptation in Time Series Forecasting

📄 arXiv: 2605.08005v1 📥 PDF

作者: Jiaqi Liu, Yifan Ouyang, Zhifei Song, Sim Kuan Goh, Ashwaq Qasem

分类: cs.LG

发布日期: 2026-05-08

备注: 9 pages main text, appendix included. 7 figures. Submitted to NeurIPS 2026

💡 一句话要点

提出STEPS框架：基于时序流形上的狄利克雷边值问题求解器，实现鲁棒的时间序列测试时自适应

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

关键词: 时间序列预测 测试时自适应 流形学习 在线学习 分布偏移 误差传播 鲁棒性优化

📋 核心要点

  1. 现有TTA方法在处理稀疏或受污染的时间序列前缀时，易出现误差累积与长周期预测不稳定的问题。
  2. STEPS将TTA建模为时序流形上的狄利克雷边值问题，通过局部与全局求解器协同传播平滑误差场。
  3. 实验表明，STEPS在多项基准测试中平均MSE降低26.82%，在噪声和稀疏数据场景下展现出极强的鲁棒性。

📝 摘要（中文）

测试时自适应（TTA）旨在通过推理阶段获取的有限观测数据，改善时间序列在分布偏移下的预测性能。然而，时间序列的TTA必须在无源（source-free）在线环境下运行，此时适应信号往往较短、具有时间相关性且存在噪声。现有方法在面对稀疏或受污染的前缀数据时，常面临可识别性弱、误差累积以及长周期预测修正不稳定的问题。为此，本文提出了STEPS（Smooth Temporal Error Propagation Solver）。STEPS将时间序列TTA重构为时序流形上的狄利克雷边值问题，利用已知前缀误差作为未知未来误差场的边界条件。通过局部求解器传播平滑误差、全局求解器提取跨窗口误差记忆，并结合时空流形融合（SMF）模块，STEPS在六个标准基准测试中表现优异，平均MSE较零样本基线降低26.82%，显著优于现有TTA方法。

🔬 方法详解

问题定义：论文旨在解决时间序列预测中“无源在线测试时自适应”的难题。现有方法在面对短时、强相关且含噪的适应信号时，难以准确识别分布偏移，导致预测误差在长周期内迅速累积，无法实现有效的在线修正。

核心思路：将预测空间的误差修正视为时序流形上的狄利克雷边值问题（Dirichlet Boundary Value Problem）。利用已知的前缀误差作为边界条件，通过求解平滑且有界的误差场，将局部观测到的误差信息平滑地传播至未来时间步，从而实现对未来预测的稳定修正。

技术框架：STEPS包含三个核心模块：局部求解器（Local Solver）负责在时序平滑约束下传播前缀误差；全局求解器（Global Solver）负责从历史窗口中提取稳定的跨窗口误差记忆；时空流形融合（SMF）模块则将上述两者的输出进行加权集成，生成最终的预测修正量。

关键创新：引入流形学习视角处理时序误差传播，通过狄利克雷边值问题的数学框架，将离散的预测误差转化为连续的流形场，有效缓解了传统方法在处理稀疏数据时的不确定性，实现了误差传播的平滑性与稳定性。

关键设计：该方法不依赖于特定的骨干网络（Frozen Backbones），通过构建时空流形上的平滑约束，在不改变模型参数的前提下，利用在线观测到的残差动态调整预测输出，确保了在不同分布偏移下的自适应能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

STEPS在六个标准时间序列基准测试中，相较于零样本（Zero-shot）基线平均MSE降低了26.82%，并超越了当前最先进的TTA基线方法12.77%。在针对稀疏前缀和数据污染的压力测试中，STEPS表现出极强的鲁棒性，证明了其在复杂、非平稳环境下的优越性能。

🎯 应用场景

该方法适用于金融市场预测、气象预报、能源负荷调度及工业传感器数据监控等对实时性与鲁棒性要求极高的领域。在数据分布随时间动态漂移的场景下，STEPS能够有效提升预训练模型在推理阶段的适应能力，降低因环境变化导致的预测失效风险，具有极高的工程应用价值。

📄 摘要（原文）

Test-Time Adaptation (TTA) aims to improve time series forecasting under distribution shifts by using limited observations revealed during inference. However, forecasting TTA must operate in a source-free online setting, where the adaptation signal is short, temporally correlated, and potentially noisy. Existing methods can therefore suffer from weak identifiability, error accumulation, and unstable long-horizon corrections when the revealed prefix is sparse or contaminated. To address these issues, we propose STEPS, a Smooth Temporal Error Propagation Solver for TTA in time-series forecasting. STEPS reformulates forecasting TTA as a Dirichlet Boundary Value Problem on a temporal manifold, where the revealed prefix error serves as the boundary condition for the unknown future error field. Then, STEPS solves a smooth and bounded correction field in prediction space: a Local Solver propagates prefix errors under temporal smoothness, a Global Solver retrieves stable cross-window error memory and Spatiotemporal Manifold Fusion (SMF) integrates both solutions into the final correction. Across six standard benchmarks and four frozen backbones, STEPS achieves an average relative MSE reduction of 26.82% over the zero-shot backbone, exceeding the strongest compared TTA baseline by 12.77%. Additional sparse prefix and contamination tests confirm the robustness of STEPS under limited and noisy prefixes.