MSE Đang Lừa Dối Bạn: Phần II — Lan Truyền Sai Số Trong Dự Báo Chuỗi Thời Gian

Trong bài viết đầu tiên của loạt bài về dự báo xác suất cho các tín hiệu vật lý, chúng ta đã bàn về việc chỉ số MSE (Mean Squared Error) thường che giấu những điểm yếu thực sự của mô hình. Phần II này sẽ đi sâu vào một khía cạnh còn nguy hiểm hơn: lan truyền sai số trong quá trình triển khai tự hồi quy.

Vì sao MSE vẫn chưa đủ?

Hầu hết các mô hình dự báo chuỗi thời gian hiện nay được huấn luyện bằng cách tối ưu hóa MSE trên một bước dự báo duy nhất (one-step-ahead). Cách tiếp cận này có vẻ hợp lý về mặt toán học, nhưng lại bỏ qua một thực tế quan trọng:

• Trong ứng dụng thực tế, mô hình hiếm khi chỉ dự báo một bước
• Mỗi dự báo tiếp theo lại dựa trên chính kết quả dự báo trước đó
• Sai số nhỏ ở bước đầu có thể bùng nổ thành sai số khổng lồ ở bước thứ mười

Khi bạn triển khai mô hình tự hồi quy, bạn không chỉ đang dự báo — bạn đang khuếch đại sai số của chính mình qua từng bước thời gian.

Autoregressive Rollout là gì?

Autoregressive rollout (triển khai tự hồi quy) là quá trình mô hình sử dụng dự báo của chính nó làm đầu vào cho bước tiếp theo. Thay vì luôn có dữ liệu thực (ground truth) để tham chiếu, mô hình phải "sống chung" với sai số tích lũy.

Ví dụ với một mô hình dự báo tín hiệu vật lý như nhiệt độ hay tín hiệu cảm biến IoT:

1. Bước 1: Mô hình nhận dữ liệu thật, dự báo giá trị tiếp theo
2. Bước 2: Mô hình dùng dự báo ở bước 1 làm đầu vào
3. Bước 3: Mô hình tiếp tục dùng dự báo ở bước 2
4. ... và cứ thế tiếp diễn

Chính sự phụ thuộc dây chuyền này khiến sai số không còn là vấn đề cục bộ, mà trở thành vấn đề tích lũy.

Lan truyền sai số: Cơ chế và hệ quả

Trong quá trình rollout, sai số lan truyền theo hai cách chính:

• Khuếch đại sai số ngẫu nhiên: Mỗi dự báo có một phân phối xác suất riêng, và khi lấy mẫu từ phân phối đó, sai số được cộng dồn
• Lệch phân phối (distribution shift): Mô hình được huấn luyện trên dữ liệu thật nhưng lại được triển khai trên dữ liệu do chính nó tạo ra — đây là dạng dịch chuyển phân phối nguy hiểm

Hệ quả là dù MSE trên tập kiểm tra có vẻ đẹp, mô hình vẫn có thể thất bại thảm hại khi chạy dài hạn.

Vai trò của dự báo xác suất

Đây là lý do dự báo xác suất (probabilistic forecasting) trở nên thiết yếu. Thay vì đưa ra một con số duy nhất, mô hình nên đưa ra một phân phối các khả năng:

• Phân phối giúp định lượng độ bất định ở từng bước dự báo
• Khoảng tin cậy (prediction interval) phản ánh mức độ lan truyền sai số
• Người dùng có thể ra quyết định dựa trên rủi ro thay vì chỉ dựa trên điểm dự báo

Đối với các kỹ sư phần mềm và kỹ sư hệ thống nhúng tại Việt Nam, đặc biệt trong lĩnh vực IoT và giám sát cảm biến, đây là điểm cần đặc biệt lưu ý khi triển khai mô hình ra production.

Các kỹ thuật giảm thiểu lan truyền sai số

Một số hướng tiếp cận phổ biến hiện nay:

• Scheduled sampling: Trong quá trình huấn luyện, đôi khi đưa dự báo của mô hình làm đầu vào thay vì luôn dùng dữ liệu thật
• Teacher forcing với nhiễu: Thêm nhiễu vào đầu vào huấn luyện để mô hình quen với sai số
• Huấn luyện đa bước (multi-step training): Tối ưu hóa hàm mất mát trên toàn bộ chuỗi rollout thay vì từng bước
• Mô hình hóa phân phối: Dự báo phân phối thay vì điểm, sử dụng các kỹ thuật như lượng tử hóa hoặc mô hình hỗn hợp Gaussian

Kết luận

MSE không nói dối — nó chỉ không nói toàn bộ sự thật. Với các mô hình tự hồi quy, đặc biệt là những mô hình phục vụ dự báo tín hiệu vật lý dài hạn, chỉ số này cần được đặt trong bối cảnh rộng hơn của lan truyền sai số và độ bất định tích lũy.

Nếu bạn đang triển khai mô hình dự báo cho hệ thống IoT, cảm biến công nghiệp hay bất kỳ tín hiệu vật lý nào, hãy tự hỏi: Mô hình của tôi sẽ ra sao sau 20 bước dự báo? Câu trả lời thường không nằm trong MSE.