DES-JEPA与DES-PFN处理高维离散事件序列
热点事件持续更新
DES-JEPA与DES-PFN处理高维离散事件序列
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Hugo Math等研究者提出DES-JEPA联合嵌入预测架构与DES-PFN网络，旨在解决离散事件序列因标签不一致和高基数导致的泛化难题。该框架通过从合成随机过程中学习共享离散词表，并复用词表进行上下文内下一事件预测。 该研究成果发表于NeurIPS 2026 Workshop（主题为基础模型的时间系统），无需任务特定微调，在8个未见过的真实数据集上实现了有竞争力的零样本性能，并能扩展至支持多达700种不同事件类型。
AI 根据报道生成 · 3 小时前更新
最新进展10月30日 12:00
DES-JEPA：学习高维离散事件序列的共享词表报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv · AIDES-JEPA：学习高维离散事件序列的共享词表
研究提出DES-JEPA联合嵌入预测架构与DES-PFN网络，用于解决离散事件序列因事件标签不一致和高基数导致的泛化难题。 框架在未进行任务特定微调的情况下，在8个未见过的真实数据集上实现了有竞争力的零样本性能，并能扩展至支持多达700种不同事件类型。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月30日 17:00
- 近 24 小时变化
- –
02.557.510
17:0018:0019:00
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。