محققان در مطالعهای جدید به چالش جذابی در دنیای هوش مصنوعی و آمار پرداختهاند: چرا وقتی دادهها را به بازههای زمانی ریزتر (مثلاً روزانه به جای ماهانه) خرد میکنیم، نتایج مدلهای هوشمند لزوماً بهتر نمیشوند؟
💡 یافتههای کلیدی:
• مدلهای بازگشتی (مثل سریهای زمانی کلاسیک) با افزایش دقت زمانی، دچار خطاهای تجمعی سنگین میشوند.
• مدلهای یادگیری عمیق مثل LSTM رفتار U-شکل دارند و در بازههای بسیار کوتاه دوباره عملکردشان بهبود مییابد.
• این پژوهش نشان میدهد که نباید فریب شاخصهای آماری اولیه (مثل R-squared) را خورد، زیرا این معیارها اغلب خطاهای نهفته در پیشبینیهای طولانیمدت را نادیده میگیرند.
این مقاله برای کسانی که در حوزهی پیشبینی (Forecasting) و دادهکاوی با مدلهای AI کار میکنند، یک زنگ خطر مهم درباره نحوه ارزیابی عملکرد مدلهاست.
منبع: arXiv AI