跳到正文

算法、任务与模态

Forecasting 最新动态

Forecasting 研究索引；按可核对的标签归档，不以热度评价质量。

44 条精选近 30 天 37 条共收录 47 条

更新

精选归档 · 第 3 页

1月23日周四第 41–44 条
  1. OpenReview · State space models81

    振荡状态空间模型

    基于摘要分析。研究针对长序列学习中的计算效率、动力学稳定性与长程依赖建模问题，提出 Linear Oscillatory State-Space models（LinOSS），以受迫谐振子系统构建状态空间模型，并通过稳定离散化及快速关联并行扫描实现序列计算。 核心机制与理论：作者以生物神经网络的皮层动力学为启发，报告证明 LinOSS 在对角状态矩阵非负的条件下可产生稳定动力学，并将这一条件与既有状态空间模型的限制性参数化作对照。作者还报告其通用逼近能力，即可按所需精度逼近时变函数之间的连续因果算子；一种隐式—显式离散化则保持底层动力学的时间可逆对称性。上述结论的完整假设、适用范围及证明细节尚未验证，不能直接等同于任意任务上的预测准确性保证。 实验结果：作者报告在中等至超长序列分类、回归及长时域预测任务上优于所比较的先进序列模型；其中，在序列长度为 50k 的一项序列建模任务中，相对 Mamba 和 LRU 的表现接近两倍。摘要未明确该倍数对应的指标、数据集、划分与训练预算，因此不能解释为 Accuracy 翻倍或计算加速。实验协议、消融及统计信息尚未验证；模型规模、预处理与复现资源也需查阅全文。 平台推测（待验证）：迁移假设是，振荡状态与稳定长程演化可能有助于 EEG 的节律及长时间上下文建模，但原领域有效不等于 BCI 有效。可考虑复用状态更新与并行扫描，需改造多通道输入及任务读出；低信噪比、非平稳性、被试差异、通道变化和小数据规模均可能削弱收益。可检验的小实验是在固定 EEG 数据划分、预处理及训练预算下，对比 LinOSS、Mamba 与 LRU，分别报告被试内和跨被试的同一任务指标，并考察序列长度变化是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：LinOSS 将受迫谐振子、稳定离散化与并行扫描结合，值得核对其稳定性条件及长序列建模收益，但摘要中的性能倍数尚需结合具体指标与评估协议验证。

  2. OpenReview · State space models78

    面向不规则时间序列的连续状态空间 Feynman-Kac 模型摊销控制

    基于摘要分析。本文研究不规则、离散观测下的连续时间序列建模，提出 Amortized Control of continuous State Space Model（ACSSM），以观测条件化的连续潜在动力学统一支持分类、回归、插值和外推任务。 核心机制是先通过多边缘 Doob's h-transform 构造以不规则观测为条件的连续动力系统，再借助随机最优控制（SOC）理论进行变分推断，近似难以直接求解的 Doob's h-transform 并模拟条件化动力学。作者提出具有紧致证据下界（ELBO）的推断算法，但该下界的具体形式、成立条件及紧致性论证尚未验证。 在计算实现上，ACSSM 使用辅助变量灵活参数化潜在动力学与摊销控制，并结合 simulation-free 潜在动力学框架和基于 transformer 的数据同化方案，使潜在状态推断与 ELBO 计算能够并行进行。这里的关键阅读点是条件化动力学、控制近似与并行推断如何衔接；摘要不足以确定 simulation-free 的具体实现及其与动力学模拟之间的关系。 作者报告，在多种真实世界数据集上的分类、回归、插值和外推评估中，ACSSM 获得更优性能并保持计算效率。摘要未给出数据集名称、划分、对照基线、指标数值或运行资源，故不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于存在缺测或异步采样的 EEG 多模态记录，但原领域结果不等于 BCI 有效。迁移假设依赖可用时间戳和足够观测信息，可复用连续动力学及摊销推断思路，需改造观测模型与通道表示；低信噪比、跨被试差异和小数据可能导致潜在动力学估计不稳定。可在固定被试内划分下，对同一 EEG 数据施加受控缺测，比较 ACSSM 与规则重采样后的基线在插值误差及下游任务指标上的变化。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是其将多边缘 Doob's h-transform、随机最优控制与摊销推断结合，用于不规则观测下的连续潜在动力学建模；性能优势与计算效率仍需结合全文中的评估协议核对。

6月18日周二
  1. OpenReview · State space models78

    谱状态空间模型

    基于摘要分析。该研究面向具有长程依赖的序列预测任务，提出基于 spectral filtering 算法学习线性动力系统的状态空间模型（SSMs）新表述，并由此构建 spectral state space model。其核心特点是采用无需学习的固定卷积滤波器，将谱滤波机制用于长记忆序列建模。 理论与实验：作者报告，该模型对需要长记忆的任务具有可证明的鲁棒性性质，并在合成动力系统及不同模态的长程预测任务上进行评估；作者认为这些评估支持 spectral filtering 在超长记忆任务中的理论优势。摘要未给出鲁棒性的具体定义、假设条件、滤波器构造、训练目标或推理流程，也未列出数据集、划分、对照基线和定量指标，实验协议、消融及统计信息尚未验证。阅读全文时应重点核对理论保证覆盖的动力系统范围，以及固定滤波器相对可学习机制的收益与限制。 平台推测（待验证）：迁移假设是，固定谱滤波器可能为 EEG 中长程时间依赖的提取提供可复用的时间建模模块，但原领域有效不等于 BCI 有效。其原始机制依赖序列数据及线性动力系统学习表述，所需监督形式与数据规模尚未验证；用于 EEG 时仍需适配多通道输入、任务输出及跨被试差异。低信噪比、非平稳性、通道配置变化和小数据可能削弱固定滤波器的适配能力。一个可证伪的小实验是在同一 EEG 任务、相同预处理与固定划分下，对比固定谱滤波模块与可学习时间滤波模块，分别记录被试内、跨被试结果，并检查延长输入窗口是否稳定带来收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对固定卷积滤波器与长记忆鲁棒性之间的理论联系及其适用条件，但摘要尚不足以判断其对 EEG 长程建模的实际收益。

  2. OpenReview · Representation learning73

    通过时间序列对称性进行基于 Gaussian Process 的表征学习

    基于摘要分析。研究面向动力系统的可信预测与表征学习，提出一类具有线性时不变响应、非线性仅体现在初始条件上的 Gaussian processes（GP），旨在同时量化预测不确定性与表征不确定性。 核心机制是利用响应的线性结构，使多步预测中的不确定性传播保持可处理，并为学习表征提供概率化描述。作者还提出一种基于数据的对称化方法，作者报告该方法能够改善 GP 的泛化能力，并获得可处理的连续时间后验，无需多个模型或近似不确定性传播。摘要未给出对称化的具体构造、核函数、表征参数化或训练与推理细节，尚不能判断其适用边界与计算成本。 材料未提供数据集、样本规模、数据划分、对照基线及量化指标，因此上述优势应视为作者在摘要中的报告；实验协议、消融及统计信息尚未验证。复现需进一步核对初始条件如何进入模型、线性时不变响应如何构造，以及连续时间后验的计算流程。 平台推测（待验证）：假设局部 EEG 动态可以由该类响应结构近似，GP 后验及数据对称化可能用于带不确定性估计的时序表征。可考虑复用概率建模框架，但需针对 EEG 通道结构和非平稳性改造观测与对称化机制；低信噪比、跨被试差异及小数据可能导致模型假设失配。一个可检验的小实验是在固定的被试内数据划分下，对比加入与不加入对称化的同类 GP，评估多步预测误差和预测区间覆盖率，再检查结果能否跨会话保持。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何利用时间序列对称性与线性时不变响应，在同一 Gaussian process 框架中处理预测和表征不确定性；该机制对 EEG 动态建模的适用性尚未验证。