weather
PulseAugur coverage of weather — every cluster mentioning weather across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的DRiC方法改进了预测器的在线残差校正
研究人员开发了DRiC（DCT岭回归校正器），一种用于冻结多元预测器的在线残差校正的新颖方法，在标签延迟条件下尤其有效。DRiC通过将岭回归拟合到领先的离散余弦变换（DCT）系数，旨在最小化保留状态同时最大化误差减少。其变体DRiC-L和DRiC-G提供了不同的通道池化方法，尽管一些比较器在状态显著更多的情况下更准确，但DRiC-G在Electricity和Traffic等高通道数据集上表现强劲。
-
Naga：受吠陀数学启发的模型增强时间序列预测
研究人员推出了一种新颖的深度状态空间模型（SSM），名为 Naga，该模型利用吠陀数学的概念进行时间序列预测。该方法处理序列的双向性，并通过 Hadamard 交互进行组合，增强了模型捕获长期时间依赖关系的能力。Naga 在多个基准测试中表现出色，优于 28 种现有最先进的模型，并显示出比其他深度 SSM 方法更高的效率。
-
时间序列AI模型通过块跳过展示出推理加速潜力
研究人员调查了时间序列基础模型Chronos-Bolt和TimesFM 2.5的计算效率。他们的研究探讨了在推理过程中是否可以移除整个Transformer块而不显著影响预测准确性。虽然在A100 GPU上适度跳过Chronos-Bolt和TimesFM 2.5的块将推理延迟降低了11%以上，但更激进的跳过会导致某些数据集上的性能显著下降。研究结果表明，虽然这些模型中存在结构化冗余，但尚未实现可部署的动态推理方法。
-
CarPlay为iPhone应用集成添加了可自定义的小组件
Apple的CarPlay系统现已支持小组件，允许驾驶员直接在汽车的信息娱乐屏幕上访问来自各种iPhone应用的信息。这些小组件在iOS 26中引入，并在iOS 27中得到扩展，提供了超越传统导航和音频应用的概览信息。用户可以通过iPhone的设置来自定义他们的CarPlay仪表板，添加、删除和重新排列小组件，并提供智能轮播和基于上下文显示相关信息的建议选项。
-
新的AIGS框架解决了边缘设备的在线学习挑战
研究人员开发了一个名为自适应增量门控系统（AIGS）的新框架，用于非平稳数据流的在线表示学习，特别适用于Web of Things和边缘计算等资源受限的环境。AIGS通过使用“冲击比”（Shock Ratio）将重建误差与近期数据变化进行归一化，然后驱动“连续可塑性控制器”（Continuous Plasticity Controller）来平衡学习新信息与保留历史知识，从而解决了稳定性-可塑性困境。这种闭环控制机制保持了线性计算复杂…
-
大气科学家分析《奥德赛》中的天气
一位大气科学家探讨了荷马史诗《奥德赛》中对天气现象的描绘。该分析连接了人文学科和大气科学领域，考察了古代文学如何描绘自然元素。
-
JEPA-Anything框架实现领域无关的世界建模
研究人员推出了一种名为JEPA-Anything的新框架，旨在实现领域无关的世界建模。该方法通过采用正交预测分解（OPF）将潜在目标分解为互补因子，从而扩展了联合嵌入预测架构。然后，这些因子通过单独的路径进行学习，并在共享的预测设计中重新组合。该框架已在视觉、生物学、临床轨迹、控制、分子动力学、物理场和天气等多个领域进行了评估，证明了其在预测准确性和泛化能力方面的改进。
-
Google 发布 TimesFM-3，利用多样化数据进行未来预测
Google Research 推出了新的预测模型 TimesFM-3，该模型旨在通过分析时间序列数据并结合天气模式和计划折扣时间表等外部因素来预测未来趋势。该模型拥有 3.3 亿个参数，通过一次性同时预测所有未来时间点来运行，这种方法显著减少了计算时间并最大限度地减少了错误累积。
-
新清单指导地球系统模型中人工智能/机器学习的环境影响评估
研究人员开发了一个清单，以帮助机器学习和人工智能领域的从业者评估和减轻其在地球系统模型应用中的环境影响。该清单将有关道德和可持续人工智能开发的现有文献提炼成研究人员可采取的行动步骤。它按照模型开发流程进行组织，并包括用于估算能源消耗和碳足迹的指标，旨在弥合原则与实际研究决策之间的差距。
-
Google Pixel 11 系列将支持 25W 无线充电和应用图标重新设计
Google 将为其 Pixel 11 系列带来多项增强功能，包括为所有型号提供 25W Qi2 无线充电功能，较往年仅高端版本支持此功能有所升级。此外，Google 还重新设计了相机、计算器、时钟、录音机和天气等多个核心 Pixel 应用的图标，以符合其最新的设计原则。
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架，用于多变量时间序列预测，旨在运行在近期含噪声的中等规模量子（NISQ）硬件上。这些框架，包括量子水库预测器（QRC-F）和变分量子预测器（VQF-F），将时间序列数据转换为量子态，并利用纠缠来捕捉变量间的依赖关系。实验表明，与经典方法相比，这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高，并可能应用于各种预测任务。
-
QuantFlow：联邦Mamba模型增强时间序列预测
研究人员推出QuantFlow，一个新颖的用于时间序列预测的联邦学习框架。该模型结合了倒序序列嵌入、双向Mamba状态空间解码器和分位数回归，以处理长序列、高维度和隐私敏感数据。QuantFlow在包括加密货币、交通和天气在内的各种数据集上表现出色，同时在去中心化部署中保持准确性，而无需集中化原始数据。该框架在可扩展和注重隐私的时间序列预测方面显示出潜力，尽管它在处理不规则信号和长周期泛化方面存在局限性。
-
Diffusion-LLM 将扩散模型与 LLM 集成，实现鲁棒的时间序列预测
研究人员开发了一个名为 Diffusion-LLM 的新框架，该框架集成了条件扩散模型和大型语言模型（LLMs），用于时间序列预测。该方法旨在通过实现校准概率建模和更好地对齐异构表示来解决标准 LLM 在处理多模态数据方面的局限性。Diffusion-LLM 框架在 ETT、Weather 和 ECL 等多个基准的超长期和少样本预测任务上表现出改进的性能，展示了增强的鲁棒性和泛化能力。
-
新的光学系统HAMON实现了14%的预测精度提升
研究人员开发了HAMON，一种用于长视界时间序列预测的新型无源光学系统。该系统将历史数据编码到光学孔径上，并使用可训练的相位掩模通过自由空间衍射直接在输出场中塑造预测，从而在推理过程中无需数字序列混合层。HAMON在ETTm2和ETTh2等基准测试中表现出卓越的性能，在MSE方面优于强大的数字基线高达14%，同时在天气数据上取得了有竞争力的结果，在交通和电力数据集上表现不一。
-
AI利用卫星和天气数据预测六个月后的饥荒
一个AI系统正在被开发，用于预测长达六个月的饥荒。这种预测能力依赖于分析公开的卫星图像和天气数据。目标是为人道主义援助和干预提供早期预警。
-
苹果 iOS 27 将带来重大设计改版和简化的Liquid Glass
据报道，苹果公司正计划对iOS 27进行重大的设计改版，重点是简化“Liquid Glass”等功能。此次即将推出的更新预计将在WWDC上发布，还将对相机、Safari和天气等核心应用程序进行更改。在此次重大发布之前，苹果公司还准备推出iOS 26.5，其中将包含一些小幅调整，然后才会全面发布下一个主要操作系统。
-
新基准量化LLM在不同领域的API差异
研究人员开发了一个新框架，用于衡量不同大型语言模型（LLM）在为任务检索和排序外部API时存在多少分歧。研究发现，在各种API领域和主要模型家族中，一致性适中但存在显著差异，具体取决于任务类型。结构化任务显示出更高的一致性，而开放式推理任务导致更大的分歧，这凸显了多智能体LLM协调中潜在的安全风险。