arXiv · cs.AI· Matteo Rufolo, Dario Piga, Filippo Pura, Marco Forgione·· 5 小时前
用于系统辨识的上下文学习：概率建模、长序列处理与基准验证
In-Context Learning for System Identification: Probabilistic Formulation, Long-Sequence Handling, and Benchmark Validation
arXiv:2610.13411v1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：Matteo Rufolo, Dario Piga, Filippo Pura, Marco Forgione
研究任务与主要进展
作者提出一种面向系统辨识的概率元模型架构，利用基于Transformer的编码器—解码器直接从训练数据和查询输入预测输出，并支持长序列与长预测时域的校准预测。预训练元模型还可作为具备不确定性感知能力的数据生成器，在真实数据稀缺时生成任务特定数据以正则化参数模型。基于论文摘要，作者在标准非线性系统辨识基准及分布外场景中报告了具有竞争力的精度和较强泛化能力。
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