跳到正文
热点事件持续更新

研究人员提出DDSSM模型改进时间序列预测

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

2026年11月6日,Jack Ruder等人在arXiv发布论文,提出扩散驱动状态空间模型(DDSSM)。该模型通过将隐状态转移中的常规高斯分布替换为扩散模型,解决了自编码器与扩散模型在序列数据上的联合训练难题。 在实证测试中,DDSSM在拟合具有多模态转移的模拟时间序列时,性能优于现有的最先进深度状态空间模型。该模型扩展了时间序列隐扩散模型的研究领域,为捕捉潜系统动态提供了新方案。

AI 根据报道生成 · 21 小时前更新

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
    DDSSM:扩散驱动的隐状态空间模型

    研究团队提出 Diffusion-Driven State Space Model (DDSSM),通过将隐状态转移替换为扩散模型,解决了自编码器与扩散模型在序列数据上的联合训练难题。 该模型在拟合具有多模态转移的模拟时间序列时,实证性能优于最先进的深度状态空间模型。 DDSSM 扩展了时间序列隐扩散模型的研究领域,为捕捉潜系统动态提供了新方案。

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。