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：时序预测×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月2日
12:03
12:03arXiv cs.LG@Zhensheng Wang, Xiaole Liu, Wenmian Yang, Kun Zhou, Yiquan Zhang, Weijia Jia
现有表格问答系统多聚焦于历史数据查询，无法进行面向未来的数值预测。为此，研究者提出了新任务——开放域表格问答的未来数据预测与推理，并构建了首个基于房地产数据的时序预测与推理数据集ODTQA-FoRe。该任务面临历史数据精准检索、LLM预测能力不足、多样化查询标准化回答等挑战。为解决这些问题，团队提出了TimeFore框架，将问题分解为检索器、预测器和分析器三个协作角色，分别负责SQL数据获取、外部时序模型调用和结果综合。实验表明，TimeFore在预测准确性和回答一致性上显著优于基线方法。
论文表格问答时序预测LLM智能体数据集房地产数据
推荐理由：做表格问答或时序预测的团队终于有了专门的数据集和框架——TimeFore用LLM+外部模型解决了LLM本身预测不准的痛点，做数据分析和AI应用的开发者可以直接参考其协作架构。
原文
5月12日
19:11
19:11arXiv cs.AI@Yixuan Yang, Mehak Arora, Ryan Zhang, Baraa Abed, Junseob Kim, Tilendra Choudhary, Md Hassanuzzaman, Kevin Zhu, Ayman Ali, Chengkun Yang, Alasdair Edward Gent, Victor Moas, Rishikesan Kamaleswaran
Clin-JEPA 提出了一种多阶段联合训练框架，将 JEPA（联合嵌入预测）范式扩展到电子健康记录（EHR）数据。该框架通过五阶段预训练课程（预测器预热、联合精调、EMA目标对齐、硬同步和预测器最终化），稳定地共同训练 Qwen3-8B 编码器和 92M 参数潜在轨迹预测器。在 MIMIC-IV ICU 数据上，Clin-JEPA 实现了潜在ℓ₁展开漂移在 48 小时范围内收敛（-15.7%），而基线方法发散（+3% 到 +4951%）。编码器学习到临床可分辨的潜在几何结构（病情恶化患者与稳定患者的潜在距离比基线高 4.83 倍 vs ≤2.62 倍）。单一骨干网络在多任务下游评估中优于强基线，平均 AUROC 在 ICareFM EEP 上达到 0.851，8 个二元风险任务上达到 0.883（分别比基线平均高 0.038 和 0.041）。
论文医疗AI预训练模型EHRJEPA时序预测
推荐理由：该工作首次将 JEPA 范式成功应用于 EHR 轨迹建模，解决了联合训练不稳定和表示坍缩的关键问题，为医疗领域预训练大模型提供了一种高效且无需任务微调的方案。
原文
5月11日
11:44
11:44arXiv cs.LG（学术论文）
论文提出STEPS方法，解决时序预测在分布偏移下测试时自适应（TTA）中的弱可识别性、误差累积和不稳定长时修正问题。该方法将TTA重新定义为时间流形上的狄利克雷边界值问题，利用局部求解器传播前缀误差的时序平滑性，全局求解器获取跨窗口误差记忆，并通过时空流形融合（SMF）整合两者进行最终矫正。在六个标准基准和四个冻结骨干网络上，STEPS相比零样本骨干平均相对MSE降低26.82%，超过最强TTA基线12.77%。额外稀疏前缀和污染测试验证了该方法在有限和噪声前缀下的鲁棒性。
论文时序预测测试时自适应分布偏移流形学习
推荐理由：该工作首次将时序预测TTA严格建模为微分方程问题，提供了理论清晰的优化视角，并在稀疏噪声数据下表现显著优于现有方法，对实际部署中的低质量观测场景具有重要参考价值。
原文