هوش مصنوعی
DiffDiff مسیر انتشار را برای پیش‌بینی سری‌های زمانی با عدم‌قطعیت سازگار می‌کند
پژوهشگران چارچوبی ساخته‌اند که در هر گام انتشار، میزان اتکای پیش‌بینی به تداوم گذشته را در نظر می‌گیرد؛ مقاله می‌گوید این روش در هفت بنچمارک از شش خط‌پایهٔ انتشار بهتر عمل کرده است.
مدل‌های انتشار برای پیش‌بینی احتمالاتی سری‌های زمانی، توزیع مقادیر آینده را بر پایهٔ تاریخچهٔ مشاهده‌شده برآورد می‌کنند. اما به‌گفتهٔ پژوهشگران، روند آینده ادامهٔ همان تاریخچه است: بخش‌های آهسته‌تغییر معمولاً از تداوم گذشته اثر می‌گیرند، درحالی‌که بخش عمدهٔ عدم‌قطعیت در پویایی‌های پرفرکانس قرار دارد. روش‌های پیشین این تفاوت را پیش از تولید، با قواعدی بیرونی مدیریت می‌کردند و مسیر تخریب داده از میزان پیش‌بینی‌پذیری هر بخش آگاه نبود.
چارچوب پیشنهادی، DiffDiff، این تفاوت را در خود فرایند انتشار وارد می‌کند. عملگر پیشرو در گام‌های مختلف تغییر می‌کند و حالت میانیِ نویزی را به‌تدریج از هدف اصلی به ساختار تفاضل مرتبهٔ دوم آن می‌برد. هم‌زمان، مسیر شرطی‌سازی اطلاعات تاریخچه را هم در دامنهٔ مقدارها و هم در دامنهٔ تفاضل‌ها به مدل حذف‌کنندهٔ نویز می‌رساند؛ یک دروازهٔ تطبیقی این دو نوع اطلاعات را در هر گام متناسب با مرحلهٔ انتشار متوازن می‌کند. توزیع نهایی نیز به توزیع گوسی استاندارد نزدیک می‌شود تا با نمونه‌گیرهای موجود سازگار بماند.
بر اساس چکیدهٔ مقاله، DiffDiff در هفت بنچمارک و چهار افق پیش‌بینی از شش خط‌پایهٔ مبتنی بر انتشار بهتر عمل کرده است. تحلیل‌های پژوهشگران همچنین نشان می‌دهد مسیر پیشنهادی تلاش مدل را با میزان پیش‌بینی‌پذیری تاریخچه بازتخصیص می‌دهد و وفاداری توزیعی را بهبود می‌بخشد. مقاله در NeurIPS 2026 پذیرفته شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده