arXiv · cs.AI· Yiyang Zhang·· 20 小时前AI 评分24
FARR：面向长程时间序列预测的预测感知残差精炼与端点证据匹配方法
FARR: Forecast-Aware Residual Refinement with Matched Endpoint Evidence for Long-Horizon Time-Series Forecasting
来源与原文
arXiv · cs.AI
作者：Yiyang Zhang
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2611.07870v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
FARR 是一种预测感知残差精炼方法，通过对比标准条件下的有效预测与预设 null 条件下的空预测，提取端点证据并结合历史特征估计有效预测的剩余误差，再由 horizon-wise gating 控制残差对最终输出的贡献。在四个长程时间序列预测基准上，FARR 取得了对比方法中最佳的数据集平均 MSE 和 MAE。代码将公开。
来源：arXiv · cs.AI · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。