两篇新研究论文探讨了多模态时间序列预测的复杂性,重点关注如何有效整合和评估文本上下文。第一篇论文介绍了 MUSE-Bench,这是一个包含十四个数据集和六种上下文类型的综合基准测试,旨在评估包括 LLM 在内的各种预测方法。研究发现,虽然数值模型占主导地位,但外部上下文如果对齐正确可以提高性能,而通用 LLM 作为直接预测器则表现不佳。第二篇论文通过开发一个基准测试来评估信息论度量,解决了确定文本注释是否真正有助于预测准确性的挑战。这项研究旨在为审计注释质量和选择最佳文本以融合到预测模型中提供原则性方法。 AI
影响 为多模态预测建立了新的评估框架,可能指导未来在上下文感知时间序列预测方面的研究和开发。
排序理由 两篇学术论文发布在 arXiv 上,介绍了多模态预测的新基准测试和评估方法。
- arXiv
- Hugging Face
- InfoNCE
- MINE
- principal ideal domain
- V-information
- alphaXiv
- aurora
- CatalyzeX
- DagsHub
- Gotit.pub
- MUSE-Bench
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →