CMU 提出指数平滑集成降低多步预测波动性
热点事件历史事件
CMU 提出指数平滑集成降低多步预测波动性
1 篇报道1 个报道来源2026-08-11更新
先了解这件事
AI 综述
CMU 机器学习博客介绍 Forking-Sequences 架构的第二部分：该架构单次前向传播即可为每个目标日期生成重叠预测，因此推理时做集成几乎不增加编码器计算。团队采用指数平滑集成（α = 0.9），称在各类编码器上把 sEV 降低 10–13%，精度损失低于 0.1%。 该方法可零样本用于 Chronos-2、Toto 2.0、TimesFM、PatchTST、N-BEATS 等预训练时间序列基础模型，波动性约降 10%。上述降幅与精度损失均为该博客给出的说法，尚未见独立验证。
AI 根据报道生成 · 2 小时前更新
最新进展8月11日 05:52
Forking-Sequences 第二部分：降低波动性的多步预测集成方法报道时间线
沿着报道，了解事件的不同侧面。
8月11日
- CMU：Machine Learning BlogForking-Sequences 第二部分：降低波动性的多步预测集成方法
Forking-Sequences 架构因单次前向传播即可为每个目标日期生成重叠预测，推理时集成几乎不增加编码器计算。指数平滑集成（α = 0.9）在各类编码器上降低 sEV 10–13%，精度损失低于 0.1%。该方法零样本应用于 Chronos-2、Toto 2.0、TimesFM、PatchTST、N-BEATS 等预训练 TSFM，波动性约降 10%。