En breve
Elegir el mejor modelo predictivo con un único conjunto de validación limpio puede producir una decisión frágil. Este trabajo comprueba si la elección sobrevive a cambios realistas en la referencia de evaluación y convierte el diagnóstico en una recomendación auditable.
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
- Post-training decision-support system
- EEA-PM25-ES
- Six real-world datasets
- Synthetic benchmark
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 antes de citar.