热点事件持续更新
研究团队提出CGDT-CESN时间序列预测模型
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月，研究人员在 arXiv 提出用于多元时间序列预测的新架构——相关性引导与动态训练聚类回声状态网络（CGDT-CESN）。该模型采用模块化储备池设计，各聚类分别对应单个变量，并通过变量间的经验相关性连接与训练簇间权重，以捕捉时变的跨变量依赖关系。在 Twitter 信息级联演化与太阳风预测两个数据集上的测试显示，CGDT-CESN 在多预测跨度及小数据量条件下的性能均优于传统 ESN。
AI 根据报道生成 · 3 小时前更新
最新进展10月19日 12:00
研究团队提出时间序列预测架构CGDT-CESN，性能优于传统ESN。报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv 机器学习用于多元时间序列预测的相关性引导与动态训练聚类回声状态网络 CGDT-CESN
研究人员提出了相关性引导与动态训练聚类回声状态网络 CGDT-CESN，用于多元时间序列预测。该架构采用模块化储备池设计，各聚类分别对应单个变量，并通过变量间经验相关性连接与训练簇间权重，以捕捉时变跨变量依赖。在 Twitter 信息级联演化与太阳风预测两个数据集上的测试显示，其在多预测跨度及小数据量下性能均优于传统 ESN。
本事件热度走势
当前热度 9·可比范围峰值 10（10月19日 12:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。