深層学習（DL）は、複雑な時間パターンを捕らえる能力が高く、時系列予測（TSF）の分野で著しい進展を遂げている。しかしながら、深層モデルは、時系列がノイズや異常に対して脆弱であるため、過剰適合（オーバーフィッティング）に悩まされることが多い。従来のDL手法では、均一にすべてのタイムステップを最適化するためにMSE損失を使用しており、不確実なタイムステップや異常なタイムステップを区別せずに学習してしまう。本論文では、深層TSFのための新しい選択的学習戦略を提案している。この戦略は、最適化時にMSE損失を計算するために全タイムステップのサブセットを選別し、一般化可能なタイムステップに焦点を当て、不確実なものを無視することを目的としている。実験結果から、選択的学習が最先端の深層モデルの予測性能を著しく向上させることが確認されており、具体的にはInformerで37.4%、TimesNetで8.4%、iTransformerで6.5%のMSE削減が見られた。