ApolloPFN:原生融合外生变量的零样本时间序列预测网络
burkov · x · 2026-10-16
一篇针对时间序列预测中关键痛点的文章:当促销、价格、天气、日历事件等外生变量可用时,忽略它们会导致大而系统性的预测误差。现有许多时序基础模型要么无法使用外生变量,要么需要任务特定微调,带来运行开销、部署复杂性与数据隔离问题。
文章介绍 ApolloPFN,一种 prior-data fitted network(PFN)架构,原生具备时间感知并可直接融合外生协变量,目标是零样本预测(无需任何额外训练)。评估显示该方法在外生信息存在时能超越现有基线,同时在标准单变量基准上也进行了测试。
「研究」频道最新
- 方形晶格连接常数百年无解，网友称正适合 AI 攻克 — tak3sh8 · 2026-10-16
- 架构小测验:残差流从 4096 翻倍到 8192,参数量会怎么变? — Sauers_ · 2026-10-16
- 研究者晒 GPT 辅助斩获多篇论文,含推翻 60 年猜想 — ctjlewis · 2026-10-16
- AutoAgent0:用 VLM 做 agentic runtime,长尾场景成功率提升 28.3 个百分点 — yining_hong · 2026-10-16
- 47 人测试集无法给方法排名：标签打乱后 AUC 仍达 0.59 — maier_ak · 2026-10-16
- CODESTRUCT 让代码 Agent 改用 AST 结构化操作,替代脆弱的字符串匹配 — burkov · 2026-10-16