DISC：面向时间序列数据集的领域集成相似度成本
该研究分析时间序列数据集之间的相似性与模型迁移及预测性能之间的关系。研究提出DISC，一种可学习的框架，利用校准阶段的迁移观测结果，对多种相似度指标进行选择、加权和组合。在报告的数据划分上，DISC与迁移学习和预测任务中的下游误差比单一指标具有更高的一致性。结果表明，数据集相似性取决于具体任务，而通过学习整合多种指标，可能比手动选择单一指标更适合作为模型适配前选择源数据的参考。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。