新的 Phys-JEPA 模型通过潜在物理学增强时间序列预测

研究人员推出了一种新颖的物理信息潜在世界模型 Phys-JEPA，用于多元时间序列预测。该模型将物理一致性直接施加于潜在状态和转换，而非仅施加于解码输出。Phys-JEPA 旨在通过将预测状态分解为物理和残差分量，来创建统计上有用且在物理上结构化的预测状态。在 Jena Climate、Traffic 和 Electricity 等数据集上的初步实验显示，均方误差有所改善，尤其是在更长的预测范围内，这表明该方法增强了可解释的时间世界模型。 AI

影响 Phys-JEPA 将物理学整合到潜在状态中的方法，有望在科学领域带来更具可解释性和更准确的预测模型。

排序理由 该集群包含一篇详细介绍新模型及其在基准测试中表现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Electricity
• Gotit.pub
• Hugging Face
• IArxiv
• Jena Climate 2009--2016
• Phys-JEPA
• ScienceCast
• Traffic

• 论文
• 模型发布

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