arXiv · cs.AI· Joseph Rawson, Domniki Ladopoulou, Petros Dellaportas·· 6 小时前
多任务神经扩散过程：利用任务编码器进行概率回归与少样本适应
Multi-task Neural Diffusion Processes
arXiv:2510.03419v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Joseph Rawson, Domniki Ladopoulou, Petros Dellaportas
研究任务与主要进展
作者提出多任务神经扩散过程（MT-NDPs），通过任务编码器从上下文观测提取低维表示，以支持相关任务之间的信息共享、任务条件化概率回归和对未见任务的少样本适应。该方法保持对上下文观测顺序的排列不变性，并在合成实验、风能数据和学校考试成绩两个应用中评估；摘要称，有上下文观测时其预测准确率优于单任务扩散基线，在较大上下文规模的风能应用中获得最低平均覆盖误差。材料仅提供论文摘要，未说明完整实验细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org