热点事件持续更新
CAGE：共形对抗生成集成用于时间序列预测
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月2日，arXiv cs.LG 分类发布一篇机器学习论文，研究者提出 Conformal Adversarial Generative Ensemble（CAGE）框架，用于提升时间序列预测的可靠性。该框架将生成建模、对抗判别与共形预测三者结合，其核心机制是利用非一致性分数推导出的 P 值，动态调整各个生成模型在集成中的权重，从而降低不可靠预测对最终结果的影响。报道未披露实验数据、对比基线或具体应用场景，也未提及作者、机构及代码开源情况。目前该工作处于论文预印本阶段，尚无后续验证或复现报道。
AI 根据报道生成 · 3 小时前更新
最新进展10月2日 12:00
arXiv 发布 CAGE 框架，用共形 P 值动态调整生成模型集成权重以提升预测可靠性。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv：cs.LG（机器学习，全量分类）CAGE：结合共形预测的对抗生成式集成框架，提升时间序列预测可靠性
研究者提出 Conformal Adversarial Generative Ensemble（CAGE），将生成建模、对抗判别与共形预测结合，用非一致性分数推导的 P 值动态调整各生成模型的集成权重，降低不可靠预测的影响。
本事件热度走势
当前热度 9·可比范围峰值 10（10月2日 13:00）·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。