Badacze z arXiv opublikowali metodę Exogenous Dropout - prostą technikę treningową, która losowo eliminuje całe kanały zmiennych egzogenicznych (zewnętrznych) podczas uczenia modeli. Problem, który rozwiązuje, jest praktyczny i realistyczny: modele prognostyczne wykorzystujące zmienne zewnętrzne takie jak temperatura, ceny energii czy przepływ wody stają się podatne na błędy wdrażania, gdy te dane są zaszumione, przesunięte czasowo lub w ogóle niedostępne.
Klucz do innowacji leży w prostocie. Zamiast projektować skomplikowane architektury z bramkami uczalnymi i logiką rezydualną (jak robił to benchmark BoundEx), wystarczy podczas trenowania losowo wyłączać egzogeniczne kanały wejścia. Testy na trzech domenach - prognozowaniu cen energii, hydrologicznych zbiornikach retencyjnych i prognozach pogody - wykazały, że ta metoda significantly poprawia odporność modelu na szumy Gaussa, czasowe błędy wyrównania i całkowite braki danych. Co istotne, proponowana interwencja nie pogarsza dokładności przewidywań dla czystych, nieprzekłamanych danych.
Rzadko spotykane jest, gdy prosta metoda treningowa przewyższa wyspecjalizowane architektury, ale tutaj się to dzieje. Model dual-correlation network z Exogenous Dropout osiągnął lepsze wyniki niż BoundEx - deliberate strong baseline z bramkami, fallback residualnymi do endogenicznego backbone'u i modulacją FiLM na kanał. Badacze przeprowadzili też analizy typu ablation study oraz diagnostykę zachowania bramek, aby wyjaśnić, dlaczego jawna ograniczoność architektoniczna wcale nie jest konieczna do uzyskania robustności. Wyniki sugerują, że odpowiedni trening może osiągnąć to, czego tradycyjnie oczekiwano od samego projektowania modelu.