★ 2
M²Net：多尺度掩码注意力与原型分解时空预测框架
论文提出 M²Net，针对时空预测中的粒度依赖与信号纠缠问题，用多尺度掩码注意力在不同时间分辨率下动态生成空间掩码，区分微观物理邻居与宏观功能关联。同时引入原型残差学习模块，从动量更新的原型库中提取全局共性并从节点表示中减去，迫使网络建模独特偏差。真实数据集实验显示其优于现有最优基线。
arXiv cs.AI13 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出 M²Net，针对时空预测中的粒度依赖与信号纠缠问题，用多尺度掩码注意力在不同时间分辨率下动态生成空间掩码，区分微观物理邻居与宏观功能关联。同时引入原型残差学习模块，从动量更新的原型库中提取全局共性并从节点表示中减去，迫使网络建模独特偏差。真实数据集实验显示其优于现有最优基线。
论文提出 HARN，一种层次联想共振网络，用于事件驱动的多时间框架金融时序预测。模型在各时间层级维护持久表示，仅当对应 bar 完成时才更新该层，结合因果多尺度编码、门控联想记忆与跨层共振。在股票、外汇与商品四类资产上，其重建价格预测误差与单时间框架 PatchTST、TimeXer 基线相当。