Seq-Flow：自回滚训练实现高效概率预测
热点事件持续更新
Seq-Flow：自回滚训练实现高效概率预测
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
Yinan Huang 等人发布论文提出 Seq-Flow，一种用常微分方程（ODE）将上一轮预测分布输运至更新分布的条件流模型，可在少量函数评估下完成概率预测更新。 论文称，在粒子加速器束流预测的少 NFE 采样预算下，该模型 CRPS 降低 65%，在流体动力学任务上与强基线持平；模型仅用最多四次自滚动更新训练，却能在 400 次以上连续更新中保持准确。代码已开源。
AI 根据报道生成 · 54 分钟前更新
最新进展10月8日 12:00
Seq-Flow：自滚动训练与误差控制的高效概率预测报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv：cs.LGSeq-Flow：自滚动训练与误差控制的高效概率预测
Seq-Flow 是一种条件流模型，用 ODE 将上一轮预测分布输运至更新后的分布，在少量函数评估下即可完成精准更新。在粒子加速器束流预测中，少 NFE 采样预算下 CRPS 降低 65%，流体动力学任务上与强基线持平。模型仅用最多四次自滚动更新训练，却能在 400 次以上连续更新中保持准确，代码已开源。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。