注册

arXiv 论文提出系统辨识的上下文学习统一概率框架

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇投稿于 arXiv 的论文把系统辨识的元学习框架推进了三个方向：一是构建统一的概率元辨识架构，用 Transformer 编码器-解码器配合针对长训练序列的处理机制，使长时域预测具备校准能力；二是让预训练元模型充当具备不确定性感知的合成数据生成器，在真实数据稀缺时为正则化参数模型提供任务相关数据；三是在标准非线性系统辨识基准以及一个分布外场景上做系统评测，精度与当前方法相当，并在仅靠输入适配即可应对显著分布偏移的情形下表现出泛化能力。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

把辨识变成一次映射

传统系统辨识要分两步走：先用训练数据估计出目标系统的模型，再拿这个模型去预测新输入对应的输出。这篇论文关注的是另一条路线——上下文学习。它训练一个元模型，让元模型直接把训练数据和查询输入映射成输出，属于零样本方式，跳过了显式的模型估计环节。支撑这种做法的基础，是离线阶段用大批合成数据训练出的元模型，其目标是模仿某个系统辨识算法的行为。论文作者为 Matteo Rufolo、Dario Piga、Filippo Pura 和 Marco Forgione，提交时间为 2026 年 10 月 9 日，编号 arXiv:2610.13411，归类于 cs.LG，同时涉及 cs.AI 与 eess.SY。

概率架构与长序列

论文在这个元学习框架上推进了三个方向。第一个方向是提出统一的概率化元辨识架构，它把基于 Transformer 的编码器-解码器与专门处理长训练序列的机制结合起来，从而在较长的时间跨度上给出经过校准的预测。这里的关键词是“概率化”和“长序列”：前者指向预测带有不确定性刻画，后者指向训练序列变长时仍要维持可用性。第二个方向是把预训练好的元模型当作具备不确定性意识的合成数据生成器，服务于经典系统辨识。也就是说，元模型不只是用来直接出预测，它还能产出针对具体任务的数据，在真实数据稀缺时对参数化模型起到正则化作用。

基准与分布外表现

第三个方向是评测。论文在标准的非线性系统辨识基准上系统评估了该框架，并额外设置了一个有难度的分布外场景。结果显示，其精度与当前先进方法相比具有竞争力，泛化能力较强；在部分情形下，仅对输入做适配就足以应对明显的分布偏移。对读者而言，这意味着系统辨识的工具箱里多了一种选择：不必先估出模型再预测，而是让离线训练好的元模型直接完成映射，并在数据不足时反过来为传统参数化方法补充合成数据。论文全文以 PDF 形式提供，另有实验性 HTML 版本，DOI 为 10.48550/arXiv.2610.13411，提交时文件大小 2,385 KB。

为什么值得看

把上下文学习用于系统辨识，并给出概率化与长序列方案，关注零样本建模与不确定性量化的读者可看。

论文

信源1 家

  1. [1]arXiv cs.AI一手信源In-Context Learning for System Identification: Probabilistic Formulation, Long-Sequence Handling, and Benchmark Validation

关键事实

  • 论文提出统一的概率元辨识架构，将 Transformer 编码器-解码器与长训练序列处理机制结合，用于长时域校准预测。[1]

  • 预训练元模型被用作不确定性感知的合成数据生成器，在真实数据稀缺时为正则化参数模型提供任务相关数据。[1]

  • 该框架在标准非线性系统辨识基准和一个分布外场景上评测，精度与当前方法相当，并显示较强泛化能力。[1]

  • 论文作者为 Matteo Rufolo、Dario Piga、Filippo Pura、Marco Forgione，提交于 2026 年 10 月 9 日。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论