本文是由京东探索研究院联合华中农业大学和伊利诺伊大学厄巴纳-香槟分校探索了一种新的面向非平稳时序数据的可解释稳健模型。本文基于理论分析提出了一种自适应的稀疏Huber可加模型。该算法不仅能够对（非）平稳时序数据实现稳健预测与可解释分析（如Granger因果分析），并且在一定条件下能够收敛到潜在的真实函数。

稀疏可加模型在处理时间序列数据时表现出了良好的灵活性和可解释性。然而，现有的方法通常假设时间序列数据是平稳的，并要求噪声服从高斯分布。然而对于金融和医疗领域等经常出现的重尾非平稳时间序列数据，这两种假设都过于严格。为了解决这些问题，我们提出了一种自适应的稀疏Huber可加模型，用来实现非高斯数据和（非）平稳数据的稳健预测。在理论上，对于平稳和非平稳时间序列数据，我们分别建立了估计量的误差逼近上界。值得注意的是，非平稳时间序列的误差界中包含了一项在不同时刻数据分布的差异度量。这种差异度量可以通过经验估计，并在我们的方法中用作惩罚。在仿真和真实数据集上，实验结果验证了我们方法的有效性。

论文链接：https://openreview.net/pdf?id=9kpuB2bgnim