外生Dropout：一种简单且强大的时间序列预测鲁棒基线方法
背景与问题
在时间序列预测中，利用外生协变量（如天气、经济指标等）来提升预测精度是常见做法。然而，实际部署时这些外生变量常受到噪声干扰、时间错位甚至完全缺失，导致依赖外生变量的模型性能急剧下降，甚至不如纯粹基于内生变量的模型。现有研究多致力于设计专门的鲁棒架构，但这是否必要？
方法：外生Dropout
来自 arXiv 的最新论文提出了一种极其简洁的模型无关方法——外生Dropout（Exogenous Dropout）。其核心思想是在训练过程中以一定概率将整个外生通道（即某个协变量的全部时间步）随机置零。这迫使模型在学习时不能过度依赖任何单一外生变量，从而提升对协变量损坏的鲁棒性。该方法无需修改模型架构，仅需在训练数据上施加简单的随机掩码。
实验验证
研究者在三个典型领域进行了评估：电价预测、水库水文预测和气象预测。实验设置包括三种损坏场景：高斯噪声、时间错位和通道完全缺失。结果显示：
- 外生Dropout 显著提升了模型在上述损坏情况下的鲁棒性，同时几乎不损失干净数据上的精度。
- 当应用于双相关网络（Dual-Correlation Network）时，外生Dropout 训练出的模型成为实验中最鲁棒的模型，甚至超越了特意设计的强基准架构 BoundEx。BoundEx 融合了可学习门控、内生回退残差和逐通道外生 FiLM 调制，架构上显式限定了外生影响的上限。
关键发现：显式边界并非必要
论文通过架构-方法消融实验、门控行为诊断和表示层界限分析，揭示了一个重要结论：显式的架构边界并非实现鲁棒性的必要条件。一个无边界约束的模型，只要用外生Dropout 训练，在所有场景下都比 BoundEx 更鲁棒。这挑战了“必须设计特殊鲁棒模块”的直觉，表明简单的训练策略可能就足够。
意义与展望
外生Dropout 的提出为时间序列预测领域提供了一个简单、强力的新基线。它不仅降低了鲁棒预测的工程门槛，还促使研究者重新思考：在追求模型鲁棒性时，是否过度依赖复杂的架构创新？该方法与现有模型兼容，易于集成。论文还公开了一个鲁棒性基准数据集，以促进后续研究。
小结
外生Dropout 以极简思路解决了实际部署中的关键痛点——协变量损坏。对于广大时间序列从业者而言，这或许是性价比最高的鲁棒性提升手段：只需在训练时随机丢弃整通道外生数据，即可获得与复杂架构相当甚至更优的鲁棒效果。未来工作可进一步探索最优丢弃率自适应、与其它正则化方法的协同等方向。