Feature-aware Modulation for Learning from Temporal Tabular Data¶

会议: NeurIPS 2025
arXiv: 2512.03678
代码: 待确认
领域: 表格学习 / 时序分布漂移
关键词: 时间分布漂移, 表格数据, 特征语义对齐, FiLM, Yeo-Johnson

一句话总结¶

提出特征感知时间调制机制，通过基于时间上下文的可学习 Yeo-Johnson 变换动态调整特征分布（均值、标准差、偏度），实现跨时间语义对齐。

领域现状：表格 ML 假设 i.i.d.，但真实场景中特征语义随时间演变。
核心矛盾：静态模型忽略时间动态 vs 自适应模型容易过拟合。
解决方案：\(\tilde{x}_i = \gamma_i(\psi(t)) \cdot \text{YJ}(x_i; \lambda_i(\psi(t))) + \beta_i(\psi(t))\)

在标准表格模型（MLP等）前/中/后插入轻量级时间调制模块。输入表格特征 \(\bm{x} \in \mathbb{R}^m\) 和时间戳 \(t\)，通过时间嵌入 \(\psi(t)\) 条件化调制器生成 per-feature 的变换参数。

时间调制函数：
\(\tilde{x}_i = \gamma_i(\psi(t)) \cdot \text{YJ}(x_i; \lambda_i(\psi(t))) + \beta_i(\psi(t))\)
\(\gamma\) 控制尺度（对应标准差变化），\(\beta\) 控制偏移（对应均值漂移），\(\lambda\) 控制 Yeo-Johnson 变换参数（对应偏度重塑）
Yeo-Johnson 变换：\(\text{YJ}(x; \lambda) = ((x+1)^\lambda - 1)/\lambda\) (x≥0) 或 \(-((-x+1)^{2-\lambda}-1)/(2-\lambda)\) (x<0)
时间嵌入 \(\psi(t)\)：将时间戳映射到向量，捕获长短期时间动态（趋势+周期性）
多位置应用：可灵活放在原始输入、中间表示或输出 logits 处。实验发现单次调制在原始输入即可学到稳定决策边界