研究者提出CvLoss跨变量损失正则化方法并被NeurIPS 2026接收
热点事件持续更新
研究者提出CvLoss跨变量损失正则化方法并被NeurIPS 2026接收
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Kuiye Ding等研究者在arXiv发文提出即插即用的Cross-Variable Loss（CvLoss），用于多变量时间序列预测，论文已被NeurIPS 2026接收。 针对直接预测（DF）范式逐点目标函数未约束未来值之间跨变量依赖的“目标函数缺口”，CvLoss在跨变量图上约束预测残差，惩罚预测patch间不一致的边级残差差异，兼顾同步与异步交互。 实验显示，CvLoss能持续提升多个竞争性预测模型的性能，并兼容多种骨干网络。
AI 根据报道生成 · 52 分钟前更新
最新进展10月27日 12:00
多变量时间序列预测需要跨变量损失（Cross Variable Loss）报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AI多变量时间序列预测需要跨变量损失（Cross Variable Loss）
多变量时间序列预测大多采用直接预测（DF）范式，其逐点目标函数未约束未来值之间的跨变量依赖，存在目标函数缺口。研究者提出即插即用的 Cross-Variable Loss（CvLoss），在跨变量图上约束预测残差，惩罚预测 patch 间不一致的边级残差差异，兼顾同步与异步交互。实验显示 CvLoss 能持续提升多个竞争性预测模型，兼容多种骨干网络，论文已被 NeurIPS 2026 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。