跳到正文
热点事件持续更新

校准激活策略提升长期时间序列预测精度

1 篇报道1 个报道来源23 小时前更新

先了解这件事

AI 综述

Shijie Xu等团队于2026年11月4日发布论文《From Fixed Defaults to Calibrated Activation Policies for Long-Term Time-Series Forecasting》。 该研究提出一种校准选择策略，通过学习可靠默认值并针对每个任务自适应激活函数及其位置，以提升长期时间序列预测精度。 在基于1,225次Informer训练、覆盖17个数据集变体和51个预测任务的评估中，该策略相比传统固定激活基线平均将均方误差降低7.86%，并在72.55%的任务中取得改进。

AI 根据报道生成 · 21 小时前更新

最新进展11月6日 13:00
长期时间序列预测中从固定默认值到校准激活策略的研究

报道时间线

沿着报道，了解事件的不同侧面。

11月6日
  1. arXiv · ML
    长期时间序列预测中从固定默认值到校准激活策略的研究

    该研究提出一种校准选择策略，通过学习可靠默认值并针对每个任务自适应激活函数及其位置，以提升长期时间序列预测精度。 在基于1,225次Informer训练、覆盖17个数据集变体和51个预测任务的评估中，该策略相比传统固定激活基线平均将均方误差降低7.86%，并在72.55%的任务中取得改进。

本事件热度走势

可比范围当前
5
可比范围峰值
911月6日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。