// Modelle & Forschung 26.10.2026 · 09:11 Uhr 7 Min. Lesezeit

DISC soll den Transfer zwischen Zeitreihen-Datensätzen besser vorhersagen

Mindverse News

KI-gestützt erstellt 3 Quellen Originalmeldung: huggingface.co Arbeitsweise

KI-generierte Illustration: DISC soll den Transfer zwischen Zeitreihen-Datensätzen besser vorhersagen — KI-generierte Illustration

Das Wichtigste in Kürze

DISC soll einschätzen, wie sich Forecasting-Modelle zwischen Zeitreihen-Datensätzen übertragen lassen, ohne dafür jedes mögliche Quell-Ziel-Paar vollständig testen zu müssen. [1] [2]
Das Verfahren lernt anhand beobachteter Transferresultate, welche Ähnlichkeitsmetriken es für eine bestimmte Aufgabe auswählt, wie es sie gewichtet und wie es sie kombiniert. [2] [3]
Die Autoren berichten für einen untersuchten Datensplit eine um etwa zehn Prozent höhere durchschnittliche Testkorrelation über vier Aufgabensettings als bei einzelnen Metriken. [3]
Die Ergebnisse sind auf Forecasting und den berichteten Versuchsrahmen begrenzt; DISC benötigt Transferbeobachtungen zur Kalibrierung und ist kein Nachweis für einen universellen Vorteil. [2] [3]

// Inhalt · 6 Abschnitte

Vor dem Modelltransfer die passenden Datensätze finden
Verschiedene Metriken erfassen verschiedene Beziehungen
Wie DISC die Kennzahlen zusammenführt
Was die berichteten Ergebnisse aussagen
Mögliche Bedeutung für den Unternehmenseinsatz
Forschungsbeitrag mit begrenztem Geltungsbereich
Quellen

Vor dem Modelltransfer die passenden Datensätze finden

Unternehmen, die Prognosemodelle auf neue Datenbestände übertragen oder für einen Zielbereich anpassen, müssen häufig entscheiden, welche vorhandenen Daten als Quelle infrage kommen. Ein ähnlicher Anwendungsbereich oder eine ähnliche Bezeichnung reicht dafür nicht zwingend aus: Zeitreihen-Datensätze können sich etwa in ihren Verteilungen, zeitlichen Mustern oder ihrer Struktur unterscheiden. Zugleich kann eine Übertragung nützlich sein oder die Leistung im Zielbereich beeinträchtigen. [3]

Ein neues Forschungspapier stellt dafür Domain-Integrated Similarity Cost (DISC) vor. Das Verfahren soll Quell- und Ziel-Datensätze anhand mehrerer Ähnlichkeitsmetriken bewerten und so besser abschätzen, wie sich ein Forecasting-Modell bei einem Transfer verhalten könnte. Der praktische Anreiz: Wenn nicht jede mögliche Übertragung vorab getestet werden muss, könnten Ähnlichkeitsscores helfen, kostspielige Versuche auf eine kleinere Auswahl aussichtsreicher Paare zu konzentrieren. Das ist das Ziel des Ansatzes, aber noch kein Beleg für konkrete Zeit- oder Kosteneinsparungen im Unternehmenseinsatz. [1] [2]

Die Autoren betrachten Ähnlichkeit dabei nicht als Selbstzweck. Sie untersuchen, wie gut die Scores von Metriken mit den späteren Forecasting-Fehlern zusammenhängen – in Out-of-Distribution- und Transfer-Learning-Szenarien. Damit wird eine Ähnlichkeitskennzahl als nützlicher eingeschätzt, wenn sie Informationen über das nachgelagerte Modellverhalten liefert. [2] [3]

Verschiedene Metriken erfassen verschiedene Beziehungen

Der Ausgangspunkt des Papers ist, dass eine einzelne Kennzahl nicht alle relevanten Eigenschaften zweier Zeitreihen-Datensätze abbildet. Manche Verfahren vergleichen Datensätze direkt, andere wenden eine Metrik zunächst auf repräsentative Zeitreihen an. Zu den im Paper erläuterten Ansätzen zählen unter anderem Maximum Mean Discrepancy (MMD), Optimal Transport, Wasserstein-Distanz und Match-and-Deform (MAD). Bei den Folgen-Metriken werden Dynamic Time Warping (DTW), Longest Common Subsequence (LCSS) und euklidische Distanz genannt; Verfahren wie Dynamic Time Warping Barycenter Averaging (DBA) können Folgen für einen Datensatzvergleich zusammenfassen. [3]

Diese Verfahren setzen unterschiedliche Schwerpunkte. Das Paper beschreibt etwa MMD als Maß für Verteilungsunterschiede und MAD als Verfahren, das Zuordnung und zeitliche Deformation gemeinsam berücksichtigt. LCSS erfasst passende Teilfolgen, während DTW zeitliche Verschiebungen beim Vergleich zulässt. Für einige Metriken braucht es eine Zusammenfassung der einzelnen Folgen zu einer repräsentativen Sequenz; eine solche Reduktion kann nach Darstellung der Autoren allerdings Unterschiede innerhalb eines Datensatzes ausblenden. [3]

Zur Veranschaulichung vergleichen die Autoren paarweise mehrere Datensätze. In ihrer Darstellung erkennen Wasserstein-Distanz und MAD eine Gruppe von Stromverbrauchs-Datensätzen als ähnlich; MAD hebt darin zusätzlich einen enger verwandten Kern hervor. DBA+LCSS macht in den dargestellten Beispielen weitere Beziehungen sichtbar, etwa zwischen bestimmten M4-Datensätzen und zwischen Mobilitäts-Datensätzen. [3]

Das Beispiel zeigt zugleich, weshalb ein einzelner niedriger Abstand irreführend sein kann: Wasserstein-Distanz, MAD und DBA+LCSS ordnen drei als inhaltlich unpassend bezeichnete Datensätze vergleichsweise nah ein, während MMD sie als weiter voneinander entfernt bewertet. Die Abbildung ist eine Illustration der unterschiedlichen Metrik-Signale, kein eigenständiger Nachweis dafür, welche Kennzahl in jedem Anwendungskontext die richtige Wahl wäre. [3]

Wie DISC die Kennzahlen zusammenführt

DISC wählt nicht einfach eine einzelne Metrik aus und setzt sie als universellen Maßstab ein. Stattdessen lernt das Framework aus beobachteten Transferresultaten, welche Kennzahlen für eine bestimmte nachgelagerte Aufgabe nützlich sind und wie sie kombiniert werden sollen. Die Autoren bezeichnen den Ansatz als aufgabenspezifische, lernbare Aggregation. [2] [3]

Die beschriebene Architektur hat zwei Komponenten. Zunächst bildet eine Basismischung einen Score aus standardisierten Metrikwerten. Ergänzend berechnet eine Priormischung einen Wert aus den Rängen der Metriken für eine Quelle, also aus ihrer relativen Einordnung gegenüber den betrachteten Ziel-Datensätzen. Eine gelernte Gate-Funktion nutzt diese Ranginformation, um den Basisscore zu modulieren. Der endgültige DISC-Score ergibt sich im Paper als Produkt aus Basiswert und Gate. [3]

Die Gewichte der Basis- und Priormischung sowie Parameter der Gate-Funktion werden gelernt. So soll DISC sowohl die gemessenen Abstände als auch Hinweise darauf berücksichtigen, welche Metriken in einem bestimmten Aufgabensetting verlässlichere Signale liefern. Die Autoren sehen in den gelernten Gewichten außerdem eine Möglichkeit, nachzuvollziehen, welche erfassten Datensatzbeziehungen für ein Modell und eine Aufgabe relevant sind. Das macht die Gewichtung jedoch nicht automatisch zu einer allgemein gültigen Rangliste von Ähnlichkeitsmetriken: Sie ist gerade auf den jeweiligen Aufgabenrahmen bezogen. [3]

Die Bewertung betrifft geordnete Quelle-Ziel-Paare: Im Paper wird der Forecasting-Fehler für eine Übertragung von einer Quelle auf ein Ziel betrachtet. Nach der Kalibrierung soll DISC neue Paare anhand ihrer Ähnlichkeitsmetriken bewerten können, ohne für jedes davon erneut den vollständigen Transfer auszuführen. Die Methode kommt deshalb nicht ohne Transferresultate aus, sondern verlagert einen Teil des Aufwands auf die Kalibrierung mit beobachteten Übertragungen. [1] [2] [3]

Was die berichteten Ergebnisse aussagen

Die Autoren geben für den untersuchten Datensplit eine Steigerung der durchschnittlichen Testkorrelation um etwa zehn Prozent über vier Aufgabensettings hinweg an. Außerdem berichten sie eine stärkere Ausrichtung an den nachgelagerten Ergebnissen als bei Referenzen, die auf jeweils einer einzelnen Metrik beruhen. Das ist ein Ergebnis der beschriebenen Auswertung, nicht der Nachweis, dass DISC bei beliebigen Datensätzen oder Aufgaben gleich gut abschneidet. [2] [3]

Als Vergleichsmaßstab dient der Zusammenhang zwischen Ähnlichkeitsscores und Forecasting-Fehlern. Eine bessere Korrelation kann dabei nützlich sein, um Transferverhalten einzuschätzen, ist aber nicht gleichbedeutend mit einer Garantie, dass ein ausgewähltes Quell-Dataset die Prognoseleistung in jedem konkreten Betrieb verbessert. Die verfügbaren Angaben begründen daher eine Aussage über die untersuchte Vorhersagebeziehung, nicht über einen gesicherten Geschäftsnutzen oder eine bestimmte Modellleistung. [2] [3]

Auch die Interpretation des Scores verlangt Aufmerksamkeit. In den im Paper gezeigten Beispielen zu ausgewählten Quellen steigen die Forecasting-Fehler mit dem DISC-Score. Daraus lässt sich keine allgemeine Regel für alle Aufgaben ableiten; es zeigt aber, dass die Bedeutung und Richtung eines Scores anhand der jeweiligen Kalibrierung verstanden werden müssen. Eine einfache Lesart wie „höher bedeutet immer ähnlicher“ oder „höher bedeutet immer besser übertragbar“ ist durch diese Beispiele nicht gedeckt. [3]

Die vorliegenden Quellen quantifizieren weder die statistische Unsicherheit des berichteten Zuwachses noch die Robustheit über weitere Datensplits. Auch die konkreten Kosten der Kalibrierung lassen sich aus den verfügbaren Angaben nicht beziffern. Für eine Bewertung der Übertragbarkeit auf andere Branchen oder Betriebsbedingungen sind diese offenen Punkte relevant. [2] [3]

Mögliche Bedeutung für den Unternehmenseinsatz

Für Unternehmen mit vielen Zeitreihenbeständen ist die Vorauswahl möglicher Quelldatensätze eine naheliegende Einsatzidee. Wenn ein Team nur eine begrenzte Zahl von Transferexperimenten durchführen kann, könnte ein mit eigenen Beobachtungen kalibrierter Score dabei helfen, die Auswahl zu priorisieren. Das ist eine analytische Ableitung aus dem von den Autoren beschriebenen Ziel, nicht eine im Paper nachgewiesene Einsparung an Rechenzeit, Projektaufwand oder Kosten. [1] [2]

Der Nutzen hängt voraussichtlich davon ab, ob die Kalibrierungsdaten zum geplanten Einsatz passen. DISC lernt seine Kombination der Metriken anhand beobachteter Transferergebnisse und ist damit auf Aufgaben und Daten bezogen. Ändern sich die beteiligten Datensätze oder die konkrete Forecasting-Aufgabe, sollte geprüft werden, ob die bisher gelernte Gewichtung noch aussagekräftig ist. Das Paper beschreibt die Anpassbarkeit an unterschiedliche Aufgaben; einen konkreten betrieblichen Prozess für laufende Rekalibrierung belegen die verfügbaren Angaben nicht. [2] [3]

Auch die rangbasierte Komponente hat praktische Folgen, die Teams bei der Auswertung berücksichtigen sollten. Da sie relative Ränge aus Sicht einer Quelle verwendet, gehört die Liste der miteinander verglichenen Ziel-Datensätze zum Kontext eines solchen Rankings. Als Analyse folgt daraus, dass Unternehmen Kandidatenpool und Berechnungsbedingungen dokumentieren sollten, wenn sie Ergebnisse über Zeit oder zwischen Auswertungen vergleichen wollen. Wie stark Veränderungen des Kandidatenpools die Auswahl beeinflussen, wird in den verfügbaren Ergebnissen nicht quantifiziert. [3]

Ein verantwortungsvoller Test würde DISC daher nicht nur gegen eine einzelne Basismetrik vergleichen. Zu prüfen wäre auch, ob die Kalibrierungsdaten die späteren Einsatzbedingungen abbilden und ob der Score die eigenen Transferexperimente tatsächlich sinnvoll priorisiert. Diese Prüfung ist eine Empfehlung aus der beschriebenen Methodik; das Paper berichtet keinen fertigen Unternehmensvalidierungsprozess. [2] [3]

Forschungsbeitrag mit begrenztem Geltungsbereich

Der Beitrag von Yen-Ku Liu, Hongjie Chen, Franck Dernoncourt und Ryan Rossi ist auf arXiv als am 22. Oktober 2026 eingereicht verzeichnet. Die arXiv-Seite führt ihn außerdem als angenommenes Konferenzpapier für IEEE BigData 2026. Diese bibliografischen Angaben beschreiben den Status des Beitrags, bestätigen für sich genommen aber nicht die Übertragbarkeit der Resultate auf beliebige Anwendungen. [2]

Inhaltlich setzt DISC bei einer konkreten Schwierigkeit an: Ähnlichkeitsmetriken können unterschiedliche Eigenschaften erfassen und müssen nicht gleichermaßen mit dem Verhalten eines Forecasting-Modells zusammenhängen. Der Vorschlag, ihre Kombination anhand beobachteter Transferergebnisse zu lernen, verschiebt damit die Fragestellung von „Welche Metrik ist generell die beste?“ zu „Welche Kombination ist für diese Aufgabe nützlich?“. [2] [3]

Die verfügbaren Quellen stützen einen methodischen Vorschlag und einen berichteten Vorteil gegenüber Einzelmetriken auf einem untersuchten Split. Sie belegen weder eine bereits verfügbare Unternehmenslösung noch eine gleichbleibende Wirkung in allen Zeitreihenbereichen. Für Ihre eigene Entscheidung wären deshalb eine repräsentative Kalibrierungsbasis, ein Vergleich mit einfacheren Einzelmetriken und eine Validierung an den relevanten Zielaufgaben entscheidend. [1] [2] [3]

Quellen

[1] Paper page - DISC: Domain-Integrated Similarity Cost for Time-Series Dataset — https://huggingface.co/papers/2610.31288 (abgerufen am 2026-10-26)
[2] [2610.31288] DISC: Domain-Integrated Similarity Cost for Time-Series Dataset — https://arxiv.org/abs/2610.31288 (abgerufen am 2026-10-26)
[3] (PDF) DISC: Domain-Integrated Similarity Cost for Time-Series Dataset — https://www.researchgate.net/publication/416623889_DISC_Domain-Integrated_Similarity_Cost_for_Time-Series_Dataset (abgerufen am 2026-10-26)