English(EN) In-Context Learning for System Identification: Probabilistic Formulation, Long-Sequence Handling, and Benchmark Validation

新的Transformer架构通过上下文学习增强系统辨识能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-12 04:00

研究人员开发了一种新颖的概率元辨识架构，该架构利用基于Transformer的编码器-解码器来处理系统辨识的长训练序列。该方法通过学习一个直接从训练数据和查询输入映射到输出的元模型，以零样本方式绕过了显式模型估计。该框架还可以作为面向经典系统辨识的不确定性感知合成数据生成器，在真实数据稀缺时为参数模型提供正则化。在标准非线性系统辨识基准和分布外场景上的评估证明了其具有竞争力的准确性和强大的泛化能力。 AI

影响这项研究为系统辨识引入了一种更有效、更准确的方法，有可能提高AI系统在需要理解和预测动态系统的任务中的性能。

排序理由该集群包含一篇详细介绍系统辨识新方法和新架构的学术论文。[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: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍系统辨识新方法和新架构的学术论文。[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, infra; 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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Matteo Rufolo, Dario Piga, Filippo Pura, Marco Forgione · 2026-10-12 04:00

用于系统辨识的上下文学习：概率公式、长序列处理与基准验证

arXiv:2610.13411v1 Announce Type: cross Abstract: Traditional system identification typically involves two steps: initially, training data is processed to estimate a model of the system of interest; then, the model is used to predict outputs for new input queries. In contrast, re…

本文如何被排名

报道来源 [1]

用于系统辨识的上下文学习：概率公式、长序列处理与基准验证

相关实体

相关话题