Decomposing Rank Reversals under Temporal Nonstationarity: Alignment, Aggressiveness, and Instability
Pubblicata su AIChronos il · fonte del · Deying Song, Xueying Ding
Il paper introduce un framework modello-indipendente che scompone le inversioni di ranking delle prestazioni dei modelli sotto non-stazionarietà temporale in tre componenti: allineamento al target, aggressività miscalibrata e instabilità predittiva. Gli autori derivano equazioni chiuse per la memoria ottimale nella regressione ridge locale e caratterizzano matematicamente i confini della complessità del modello. La validazione empirica su 14 architetture (lineari, ad alberi e neurali) dimostra che le inversioni di ranking sono guidate da picchi prevedibili nell'aggressività miscalibrata. Questo approccio fornisce una diagnosi meccanicistica rigorosa per la generalizzazione dei modelli in presenza di drift temporale.
- Sottolinea l'assenza di un framework unificato esistente che spieghi le meccaniche strutturali delle inversioni di ranking causate da eterogenee sensibilità alla memoria sotto non-stazionarietà temporale.
- Definisce una decomposizione modello-agnostica dell'R² out-of-sample in target alignment, miscalibrated aggressiveness e predictive instability per isolare i driver delle performance variabili nel tempo.
- Stabilisce equazioni chiuse (closed-form) per la memoria ottimale nella regressione ridge sotto drift locale ed estende queste garanzie a architetture complesse tramite limiti surrogati.
- Valida teoricamente le dinamiche benchmarkando 14 architetture diverse su grandi pannelli finanziari, confermando che le inversioni di ranking sono prevedibili e legate all'aggressività miscalibrata.
- Fornisce una diagnosi meccanicistica per la generalizzazione dei modelli quando esposti a shift temporali, superando l'analisi isolata della complessità o dell'adattamento del lookback.
Perché conta. Per uno sviluppatore che lavora con LLM e agenti in ambienti locali soggetti a drift concettuali (non-stazionarietà), questo framework offre strumenti matematici per diagnosticare perché un modello performante oggi fallisce domani, distinguendo tra instabilità intrinseca e miscalibrazione dell'aggressività.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.