arXiv cs.AI· Kwangryeol Park, Seulki Lee·· 11 小时前AI 评分27
OliO：基于 ODE 的线性转移算子用于自监督时间序列预测
OliO: ODE-based Linear Transition Operator for Self-Supervised Time Series Forecasting
AI 导读
研究者提出 OliO，一种基于线性 ODE 的即插即用自监督学习方法，通过学习双向时间流对齐任意时间偏移下的潜在表示。该方法对转移矩阵施加严格上三角约束，从数学上保证数值稳定性并防止无约束 ODE 模型常见的指数发散。在多种骨干架构和基准上，OliO 相比最优网格搜索 SOTA 基线最高降低 5.75% 的 MSE，论文已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：自监督表示学习通过从无标签数据中捕获稳健特征，推动了时间序列预测的发展。然而，现有的对比学习方法和基于掩码的方法往往难以显式建模潜在的时间流动，要么将时间滞后视为噪声，要么破坏了预测所必需的固有时间动态。为解决这些局限，我们提出 OliO（**O**DE-based **Li**near Transition **O**perator，基于 ODE 的线性转移算子），这是一种即插即用的自监督学习方法，将双向时间流动学习为连续且结构一致的动力系统。OliO 引入由线性常微分方程（ODE）导出的转移算子，以对齐任意时间偏移下的潜在表示。通过对转移矩阵施加严格上三角约束，我们在数学上保证了数值稳定性，并施加了一个稳健的多项式边界，既能有效捕获长期依赖，又能防止无约束 ODE 模型常见的指数发散。这种结构约束诱导出一个时间连贯的表示空间，保留了准确预测所必需的潜在流动。在各种骨干架构和基准上的大量实验表明，OliO 取得了显著的性能提升，与经过网格搜索的最具竞争力的 SOTA 基线相比，均方误差（MSE）最多降低 5.75%。代码可在 *此 https URL 获取
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23345 [cs.AI] |
| （或 arXiv:2610.23345v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23345 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kwangryeol Park [查看邮箱]
[v1]
2026年10月16日星期五 11:52:33 UTC（1,730 KB）
来源：arXiv cs.AI · arxiv.org