forecasting

NVExplain 引入了一种模型无关的框架，通过分析潜在轨迹和语义流来解释时间序列预测，使用结构保持代理模型生成具有竞争力和稳定性的人类可读解释。

本文提出了一种因果分析框架，用于识别时间序列基础模型中的偏差，并应用于 Chronos-2 和 TimesFM-2.5，揭示了特定的失败模式，如对持续性的过度估计以及对 regime switch 模式的失败。

本文研究了在合成限价订单簿数据上训练的大型语言模型是否能发展出准确的世界模型。研究发现，虽然这些模型能生成有效的序列，但存在系统性错误，导致有偏和虚假的预测。

本文介绍了针对人工神经网络的改进优化器QHAdamW，并将其应用于菲律宾的空气质量预报，结果表明该优化器在预测PM2.5和PM10浓度时展现出更优的收敛性与性能。

本文评估了机器学习和ARIMA模型在自适应公共卫生预测中的应用，使用Ontario COVID-19数据，并提出一种名为MLAMA的集成方法，以在不同条件下提升性能。

本文介绍了SATS，一种用于时间序列基础模型的新颖预训练方法，它使用尺度感知的令牌对齐和混合掩码，以在异构数据集上实现最先进的预测性能并提高效率。

本文实证性地表征了混合量子预测模型的学习几何，通过使用 Neural Tangent Kernel 动态和其他指标将其与经典基线进行比较，表明相似的泛化能力可以从不同的优化轨迹中涌现。

CLS 引入了一个可扩展的框架，用于动态系统的同步因果网络推断和预测，在基准测试中实现了高保真度重建和准确预测。

本文介绍了DNBNet，一种用于不规则时间序列预测的去偏神经基函数网络，通过纠正渐近偏差和使用自适应神经基函数来解决现有方法的局限性。

本文挑战了迭代去噪总能改善基于扩散的时间序列预测的假设，提出了一种全局停止准则和伯努利采样器，以提高准确性和速度。

一位零售规划师描述使用基于Claude和ChatGPT构建的AI代理来自动化预测和报告等任务，提高日常工作效率。

本文介绍了预测性记忆定位（PML），一种从模型内部信号预测选择性干预结果的方法，能够区分校准的目标移动与语义邻居及能力损伤。在3000条记录和九个数据集上的实验显示，选择性路径预测和风险感知的干预决策均得到改善。

一项针对冲突预测中LLM自我反思的受控消融研究发现，类型化动作路由驱动性能提升，而诊断支架和分类词汇没有带来可衡量的价值，并在GPT-4o上进行了复现。

本文研究了语言模型中激活引导的副作用是否能在干预前被预测，构建了一个涵盖67种行为的交叉效应矩阵，并发现副作用是系统性的且可从未引导的表示中进行预测。

本文研究时间序列预测器是否使用了正确的历史输入，区分了延迟的可恢复性、模型报告和功能使用。文章证明，即使预测准确且延迟报告正确，仍可能隐藏使用了错误滞后的情况，并在N-HiTS和TCN模型中实证展示了这一问题。

一篇研究论文提出了一种潜在神经微分方程框架，可从稀疏测量数据推断未知凝血参数并预测血栓增长，其中随机神经微分方程取得了最佳预测性能。

本文发现了时间序列基础模型在强化学习后训练中的“次优坍缩”现象，并提出了地面真值邻域正则化（GTN-R），使输出分布保持在真实值附近，从而提升预测性能。

对六家获得数十亿美元融资的“neolab”人工智能初创公司的分析，认为投资者是在押注递归自我改进和超级智能不会实现，同时预测了它们的算力、模型发布日期和估值。

Align-RAG 引入了一种无需训练的闭式对齐方法，用于在冻结的时间序列基础模型上进行检索增强预测，在标准基准测试中超越了学习型融合适配器，且无需任何学习参数。

本文介绍了Crafter，一种用于修正特征发现的智能体，通过组合搜索和LLM生成的特征来挖掘冻结黑盒预测器的残差，在六个数据集和骨干网络上实现了高达27%的错误率降低。