AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：冷启动×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月9日
12:39
12:39arXiv cs.LG@Abd Elghani Meliani, Arora Sagar, Adlen Ksentini, Raymond Knopp
精选
云边连续体（CEC）通过将资源分布到边缘来支持延迟敏感应用，但其高度波动性需要基于时间序列预测的零接触管理。然而，新发现的节点缺乏历史数据，导致预测模型面临严重的“冷启动”问题。该研究提出了一种全自动时间序列预测架构，通过数据混合方法解决此问题：引入轻量级资源暴露器（RE）动态发现节点并收集遥测数据，同时将稀疏的本地样本与公开高分辨率数据集TimeTrack（45秒间隔）自动融合。实验表明，这种混合方法显著提升了预测精度（MSE、MAE、MAPE指标），并加速了模型收敛，为持续MLOps部署奠定了基础。
论文云边连续体冷启动时间序列预测数据混合MLOps
推荐理由：做边缘计算或云边协同的团队终于有了解决冷启动问题的实用方案——自动混合本地数据与公开数据集，无需手动标注就能生成高精度预测模型，建议做运维自动化的开发者点开看看。
原文
6月8日
10:40
10:40arXiv cs.LG@Lorenzo Longarini, Alessandro Rongoni, Simone Silenzi, Emanuele Frontoni, Riccardo Rosati
精选
光伏电站在投运初期缺乏历史观测数据，导致标准监督预测方法无法直接使用。研究者提出一种零样本流程，利用电站元数据和气象协变量生成合成生产历史，使时间序列基础模型（TSFMs）能够通过推理时条件进行预测。在440个光伏站点、四个数据集和多种气候条件下，五种TSFMs与经典基线对比，协变量感知模型性能提升约1.7-2倍，其中TabPFN-TS在真实反馈策略下误差最低（MAE 0.514），Chronos-2在自预测反馈策略下最鲁棒。合成历史来源对性能影响不大，表明合理的时序上下文比具体生成器更重要。
论文时间序列基础模型光伏预测冷启动零样本TabPFN-TS
推荐理由：光伏运维团队终于有了冷启动预测的实用方案——无需历史数据即可用基础模型实现高精度预测，做新能源发电预测的开发者可以直接参考TabPFN-TS和Chronos-2的表现。
原文
5月27日
10:53
10:53arXiv cs.LG@Oroel Ipas, Guillermo Gomez-Trenado, Rocío Romero-Zaliz, Isaac Triguero
精选
在低标注表格学习场景中，如何选择标注实例是关键挑战。对于TabPFN等表格基础模型，上下文选择直接影响预测性能。有监督实验表明，精心选择的标注集能显著优于随机选择。但冷启动场景（无标签时选择实例）研究不足。LUCoS方法利用无监督预训练网络的潜在几何结构选择代表性样本作为上下文，在67个数据集上平均AUC、ACC和F1排名第一。该方法通过覆盖度和表示空间的选择机制，有效避免了原始特征空间选择失效的问题。
论文表格基础模型无监督学习上下文选择TabPFN冷启动
推荐理由：做表格数据标注或低资源学习的团队，LUCoS解决了冷启动下上下文选择的核心难题，无需标签就能显著提升模型效果，值得在TabPFN等模型上试试。
原文