arXiv cs.AI· Chia-Han Kuo, Chengshuai Zhao, Huan Liu, Lo Pang-Yun Ting·· 13 小时前AI 评分29
ACTS-WM：面向时间序列的自监督潜在动作条件世界模型
Self-Supervised Latent Action-Conditioned World Modeling for Time Series
AI 导读
研究者提出 ACTS-WM，一个面向时间序列分析的自监督潜在动作条件世界模型框架，无需显式动作标注即可将时间序列状态转移背后的信息推断为潜在动作。该框架结合基于 JEPA 的编码器与动作条件世界模型，在 22 个数据集、4 类任务（单变量与多变量预测及分类）上验证，相比预训练 JEPA 编码器可学到互补表征并提升下游性能。
正文 · AI 翻译
摘要：时间序列数据在天气预报、网络流量分析和语音识别等各种任务中发挥着重要作用。近期，一些开创性研究越来越多地采用联合嵌入预测架构（JEPA）编码器，通过潜在空间预测来学习时间序列表示。然而，这些研究往往忽略了支配时间序列观测之间转换的潜在因素。在本工作中，我们假设显式建模时间序列变化背后的信息能够促进时间序列建模。基于这一假设，我们提出了 ACTS-WM，一种用于时间序列分析的自监督潜在动作条件世界模型框架。首先，我们引入了一种潜在动作建模方法，该方法无需显式的动作标注即可推断时间序列转换背后的潜在信息作为潜在动作。随后，我们开发了基于 JEPA 的编码器和动作条件世界模型，以学习到的潜在动作和任务信息为条件，预测目标时间序列表示。我们在来自不同领域的 22 个数据集上，针对 4 项代表性任务评估了 ACTS-WM，涵盖单变量和多变量预测与分类。全面的实验表明，ACTS-WM 通过学习互补表示，能够在下游任务上超越预训练的 JEPA 编码器。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37963 [cs.LG] |
| （或 arXiv:2610.37963v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37963 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Lo Pang-Yun Ting [查看邮箱]
[v1]
2026年10月27日星期二 20:49:21 UTC（1,051 KB）
来源：arXiv cs.AI · arxiv.org