用于忠实时间序列预测解释的信息瓶颈学习

论文提出 IB-Forecast，一种面向多变量时间序列预测的内生可解释框架。模型将预测拆分为可学习的周期成分与基于输入 token 掩码计算的残差成分，并通过受预算约束的信息瓶颈直接控制解释稀疏度。论文报告称，在仅使用14%至20%观测值时，该方法保持较低预测误差，其原生解释在匹配稀疏度下优于梯度、遮挡和优化基线，且不增加推理成本。