极端事件相关 AI 资讯 · AI 热点

7月3日

12:04

12:04

官方账号arXiv cs.LG@Sanjeev Shrestha, Hui Liu, Yifan Zhang

Exformer提出极端自适应注意力机制，包含Local、Stride和Extreme三个稀疏组件，分别捕捉短期、周期性和事件依赖。在4个真实水文数据集上，Exformer在3天预报任务中优于State-of-the-Art基线。该模型显式建模正常与极端流模式的依赖关系，提升了在高度偏态分布数据上的预测能力。

AI模型 Exformer Transformer 时间序列预测

推荐理由：这篇论文的Exformer模型专门处理时间序列中的极端事件，比如洪水，比普通Transformer在3天预报上表现更好。

5月12日

19:10

19:10

官方账号arXiv cs.AI@Yaman Kindap, Manfred Opper, Benjamin Dupuis, Umut Simsekli, Tolga Birdal

本文提出了一种基于神经指数倾斜的变分推断方法，用于Lévy过程驱动的随机微分方程（SDEs）。该方法通过神经网络指数地重新加权Lévy测度，构建灵活的变分族，既保留了跳跃过程的动态特性，又具备计算可行性。研究者发展了二次神经参数化以实现倾斜测度的闭式归一化，以及稳定过程的条件高斯表示和对称性感知蒙特卡洛估计器。实验表明，该方法在合成和真实数据上能准确捕捉跳跃动态，优于高斯假设的变分方法。这对于金融、气候科学和AI安全等需要建模极端事件的领域具有重要意义。

论文变分推断 Lévy过程随机微分方程

推荐理由：该工作解决了Lévy驱动SDE贝叶斯推断中可扩展性与精确性的矛盾，为处理重尾和跳跃过程提供了实用工具，对金融风控、气候极端事件预测等应用有直接价值。