Исследование: структурные допущения в SciML могут ухудшать прогнозы макроэкономики
Новое исследование, опубликованное на arXiv, поставило под сомнение распространенное убеждение, что добавление структурных априорных знаний в модели машинного обучения всегда повышает точность. Ученые протестировали пять семейств моделей на задаче макроэкономического прогнозирования для 23 стран, используя разреженные ежегодные данные.
В число моделей вошли классический ARIMA, LSTM, а также современные методы SciML: Neural Ordinary Differential Equations (NODE), Physics-Informed Neural Networks (PINN) и Universal Differential Equations (UDE). Эксперимент проводился с разными временными разбиениями и пятью случайными начальными значениями.
Результаты показали, что ни одна из моделей не продемонстрировала стабильно высокую точность — это подчеркивает сложность низкочастотного макроэкономического прогнозирования. Однако выявилась четкая иерархия: менее ограниченные модели, особенно ARIMA и NODE, стабильно превосходят более ограниченные модели с эвристическими априорными структурами, такие как PINN и UDE.
По мнению авторов, это не отказ от SciML, а диагностический результат: структурные приоры могут выступать в роли «неправильных регуляризаторов», если они не соответствуют истинному процессу порождения данных. Исследователи выделили несколько режимов сбоя: несоответствие априорных знаний, смена режимов, структурные разрывы и нестабильность оптимизации.
Эти выводы важны для практиков SciML: прежде чем добавлять больше структуры в модель, стоит проверить, действительно ли это помогает, а не вредит. В макроэкономике, где данные редки и подвержены изменениям, гибкие подходы могут быть более надежными.
