TRACE-CASH: Trial-History-Conditioned Reinforcement Learning for Adaptive Configuration Exploration in Time-Series CASH
作者: Yu-Han Huang, Yujia Wu, Vincent S. Tseng
分类: cs.LG
发布日期: 2026-08-17
💡 一句话要点
提出TRACE-CASH以解决时间序列CASH中的自适应配置探索问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 时间序列预测 算法选择 超参数优化 强化学习 混合优化 模型覆盖率 验证引导
📋 核心要点
- 现有的CASH方法在时间序列预测中面临复杂的条件空间搜索和评估成本高的问题。
- TRACE-CASH通过结合分组演员-评论家生成候选模型与固定规则，优化了模型选择与超参数配置的过程。
- 实验结果表明，TRACE-CASH在MASE和WQL指标上均表现优异，具有最低的平均排名，显示出其有效性。
📝 摘要（中文）
结合算法选择与超参数优化（CASH）的方法在时间序列预测中面临复杂的条件空间搜索问题。本文提出TRACE-CASH，一种任务局部的混合序列优化器，结合了分组的演员-评论家候选生成与固定规则，旨在提高模型覆盖率、验证引导的利用和在停滞进展后的探索。通过与六种不同的搜索方法进行比较，TRACE-CASH在41个数据集频率任务变体中表现出最低的平均排名，支持其在评估方法中的竞争力。
🔬 方法详解
问题定义：本文旨在解决时间序列预测中算法选择与超参数优化的复杂性，现有方法在条件空间搜索和评估成本上存在不足。
核心思路：TRACE-CASH通过任务局部的混合序列优化策略，结合演员-评论家模型生成候选配置，旨在提高搜索效率与模型性能。
技术框架：TRACE-CASH的整体架构包括一个模型演员提出初始预测模型，三个模型条件演员生成时间、架构和训练动作，最后由模型特定解码器构建最终评估的配置。
关键创新：TRACE-CASH的创新在于其任务局部的优化策略与固定规则的结合，显著提升了模型覆盖率与探索能力，与现有方法相比具有本质区别。
关键设计：在设计中，TRACE-CASH使用了分组的演员-评论家结构，结合了验证引导的利用策略和在进展停滞后的探索机制，确保了高效的搜索过程。
🖼️ 关键图片
📊 实验亮点
TRACE-CASH在41个数据集频率任务变体中表现出最低的MASE和WQL平均排名，显示出其在时间序列预测中的竞争力。与六种其他搜索方法相比，TRACE-CASH在预定义的全窗口和晚窗口中也展现了最低的窗口平均测试-MASE排名。
🎯 应用场景
TRACE-CASH可广泛应用于时间序列预测领域，如金融市场分析、气候变化预测和供应链管理等。其自适应配置探索能力能够有效提升模型性能，具有重要的实际价值和未来影响。
📄 摘要（原文）
Combined algorithm selection and hyperparameter optimization (CASH) searches a conditional space in which the selected model determines which hyperparameters are active. In time-series forecasting, temporal choices, chronological validation, and costly evaluations further complicate this search. Controlled comparisons of heterogeneous search methods under a shared time-series CASH (TS-CASH) evaluation protocol remain limited. Within this setting, we study TRACECASH, a task-local hybrid sequential optimizer combining grouped actor-critic candidate generation with fixed rules for model coverage, validation-guided exploitation, and exploration after stalled progress. A model actor proposes an initial forecasting model; three model-conditioned actors generate temporal, architectural, and training actions; and a modelspecific decoder constructs the configuration ultimately evaluated. We compare TRACE-CASH with six alternatives spanning random, Bayesian, evolutionary, multi-objective, and language-model-assisted search across 41 dataset-frequency task variants. TRACE-CASH has the lowest mean rank on both MASE and WQL. Descriptively, it also has the lowest window-averaged test-MASE rank in the predefined full and late windows. These results support the complete TRACECASH procedure as competitive among the evaluated methods.