DISC：可学习框架为时序数据集迁移预测校准相似度指标
Yen-Ku Liu · hf · 2026-10-26
Adobe Research、Dolby 与阳明交大论文提出 DISC（Domain-Integrated Similarity Cost），用于时序数据集相似度评估。
- 背景：模型适配前需评估源-目标数据集可迁移性，现有相似度指标各捕捉不同维度的数据关系，与下游任务效用的相关性参差
- DISC 是可学习聚合框架，利用校准迁移观测为不同下游任务选择、加权并组合相似度指标
- 只需相似度指标值即可给源-目标数据对打分，更好预测下游预测任务的迁移表现
「研究」频道最新
- 开源 GNSS 库 libgnss++ 实测:3D 城市模型还原高楼间 GPS 漂移 — rsasaki0109 · 2026-10-26
- 伯克利用扩散模型生成 RL 策略权重,真机 G1 会跳舞旋转踢 — FinanceYF5 · 2026-10-26
- 研究员提醒：不核查评测本身，你只是在拟合榜单偏差与噪声 — antoine_chaffin · 2026-10-26
- Judea Pearl 转发 Oregon State 招收因果推断×AI 方向 AI 博士生 — yudapearl · 2026-10-26
- davidad 深入讨论「动力系统吸引子结构功能主义」理论框架 — davidad · 2026-10-26
- Sakana AI 东京 RSI 研讨会：AI Scientist 登 Nature 后现场谈递归自我改进 — RobertTLange · 2026-10-26