En breve
Seleccionar el mejor modelo predictivo a partir de un único conjunto de validación limpio suele generar decisiones de despliegue frágiles ante referencias de evaluación incompletas, degradadas o desplazadas en entornos reales. Reevaluar predicciones fijas bajo perturbaciones plausibles, comparar la inestabilidad de elección con la varianza del entrenamiento y ajustar presupuestos de pérdida controlada convierte la selección de modelos en un sistema auditable de apoyo a la decisión.
Contribución
Un flujo posterior al entrenamiento que reevalúa predicciones fijas, compara la inestabilidad de selección con la variabilidad ordinaria del entrenamiento y contrasta reglas robustas bajo un presupuesto declarado.
Resultado principal
La selección robusta no es automáticamente mejor. Resulta útil cuando la inestabilidad diagnosticada es relevante y las perturbaciones son plausibles; en caso contrario, la selección limpia puede seguir estando justificada.
Modelos y datos
Elementos distintivos
Modelos y métodos
- Post-training decision-support system
Datos y evaluación
- EEA-PM25-ES
- Six real-world datasets
- Synthetic benchmark
Resumen del autor
Resumen del artículo
Model selection in spatiotemporal forecasting is commonly based on performance against one evaluation reference, although that reference may be incomplete, spatially displaced or degraded in operation. This work introduces a post-training decision-support workflow that reuses fixed prediction bundles to test a selected model across declared reference perturbations. It compares selection instability with variability across training seeds, measures selection regret, evaluates alternative decision rules and reports a deployment recommendation constrained by a clean-performance budget. Experiments cover six real datasets and a synthetic benchmark. The results show that no robust rule is universally preferable: the justified choice depends on the measured instability, the credibility of the perturbations and the available budget. On EEA-PM25-ES, robust selection changes the recommendation and reduces median decision regret from 0.1403 to 0.0000 under the declared perturbation family. The resulting workflow makes the assumptions, trade-offs and deployment recommendation traceable.
Citar este trabajo
BibTeX
@article{semper2026robust,
title = {A practical decision-support system for robust post-training model selection in spatiotemporal forecasting},
author = {Marc Semper and Manuel Curado and Jose F. Vicent and Leandro Tortosa},
journal = {Knowledge-Based Systems},
year = {2026},
eid = {116673},
doi = {10.1016/j.knosys.2026.116673}
}Comprueba siempre el registro editorial para verificar los datos finales de volumen y páginas antes de citar.