研究者提出多任务神经扩散过程MT-NDPs

研究者 Joseph Rawson、Domniki Ladopoulou 和 Petros Dellaportas 提出多任务神经扩散过程（MT-NDPs），用任务编码器从上下文观测中提取低维表示，对扩散模型做任务条件化，从而在相关任务间实现概率回归与少样本自适应。 在风电数据和学校考试成绩两个真实应用中，有可用上下文观测时，MT-NDPs 的预测精度优于单任务扩散基线，与神经过程和高斯过程方法表现相当；在风电应用中，上下文规模较大时 MT-NDPs 取得最低平均覆盖误差，预测不确定性校准更优。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。