系统低估也能准
用不对称损失与双模型结构，专门处理被系统性低估的时间序列数据。
Chang, Chao-Ching · Li, Cheng-Te · Lin, Shou-De
Frontiers in Big Data 2024
UMSE不对称损失函数专门惩罚低估方向的误差，使模型在训练时更关注被低估的数据点，从而校正预测偏差。
将低估和准确估计的数据点分开处理，使模型能分别捕捉两者的趋势，避免相互干扰，从而提升整体预测能力。
在LightGBM和GRU上都验证有效，说明该方法不依赖特定模型架构，可以方便地嵌入现有预测流程。