English(EN) LLMODE: Aligning ODEs with LLMs via Gated Token Injection for Irregular Spatio-Temporal Forecasting

LLM框架LLMODE增强不规则时空预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

研究人员开发了LLMODE，一个旨在利用大型语言模型（LLM）改进时空预测的新型框架。该方法解决了现有方法在处理不规则采样数据和有限上下文窗口等方面的局限性。LLMODE采用图感知ODE编码器将不规则观测转换为连续时间潜在轨迹，然后通过Perceiver Resampler将其压缩为动态内存令牌。这些令牌与统计描述符一起，通过门控交叉注意力模块注入到冻结的LLM中，使模型能够有效地利用外部时空证据。在城市和物理动力学数据集上的实验表明，该方法具有竞争力的性能和强大的零样本泛化能力。 AI

影响增强了LLM在复杂预测任务中的能力，可能改进城市规划和科学建模中的应用。

排序理由该条目描述了一个新颖的研究框架及其在arXiv上发表的实验评估。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 30 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目描述了一个新颖的研究框架及其在arXiv上发表的实验评估。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Di Zhang, Jingyang Zhang, Ziqian Wang, Chi Zhang, Yikun Ban, Ziwei Zhang, Ruijie Wang · 2026-09-01 04:00

LLMODE：通过门控令牌注入将常微分程与大型语言模型对齐，用于不规则时空预测

arXiv:2608.29640v1 Announce Type: cross Abstract: Large language models (LLMs) have shown promise for spatio-temporal forecasting, but existing approaches often rely on regularly sampled token sequences and struggle with irregular observations because of temporal asynchrony, repr…

本文如何被排名

报道来源 [1]

LLMODE：通过门控令牌注入将常微分程与大型语言模型对齐，用于不规则时空预测

相关实体

相关话题