事件序列预测新基准揭示准确率与真实感权衡

Dmitry Osin等作者发布论文，把事件序列的多步预测建模为条件生成问题，并提出一个同时评估预测准确率与分布真实感的基准，涵盖统计基线、邻近领域模型与真实数据集。评测显示，没有方法能同时在准确率和真实感上表现最优，二者存在根本性权衡。 作者据此提出Wasserstein BaryBooster，将真实感强的扩散模型样本聚合进SOTA预测器，证明分布真实感可转化为预测准确率。该工作入选NeurIPS 2026 Track on Evaluations and Datasets的Spotlight，代码已公开。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。