精选理由
做时空序列预测的团队终于有了一个能同时处理空间相关性和误差时间累积的通用模块——Teger直接插入现有自回归模型就能提升长程预测可靠性，值得在电力、交通等场景试试。
残差误差传播是循环模型中的根本问题，小预测误差随时间累积会降低长程性能。现有深度时序模型虽能高效参数化时变相关性，但常假设误差时间独立并忽略空间相关。本文提出Teger，一种结构化不确定性模块，通过离散Forman曲率识别信息瓶颈边并进行空间曲率感知图重连，结合低秩加对角协方差头，利用Woodbury恒等式保持可推断性。Teger与骨干网络无关，在LSTM、Transformer和xLSTM上对四个真实时空数据集一致提升了连续排名概率分数（CRPS），并从理论上证明了曲率感知重连能缓解过挤压、改善谱连通性、降低有效电阻并改进协方差校准边界。
AI 翻译 · 中文
残差误差传播是循环模型中的根本问题，小预测误差随时间累积会降低长程性能。现有深度时序模型虽能高效参数化时变相关性，但常假设误差时间独立并忽略空间相关。本文提出Teger，一种结构化不确定性模块，通过离散Forman曲率识别信息瓶颈边并进行空间曲率感知图重连，结合低秩加对角协方差头，利用Woodbury恒等式保持可推断性。Teger与骨干网络无关，在LSTM、Transformer和xLSTM上对四个真实时空数据集一致提升了连续排名概率分数（CRPS），并从理论上证明了曲率感知重连能缓解过挤压、改善谱连通性、降低有效电阻并改进协方差校准边界。
Residual error propagation remains a fundamental problem in recurrent models, where small prediction inaccuracies compound over time and degrade long-horizon performance. Accurately modeling the correlation structure of …