HARN：面向事件驱动多时间周期预测的分层联想共振网络
针对金融时间序列在多时间尺度预测中重复计算不变表征的难题，研究者提出了分层联想共振网络（HARN）。该模型专为事件驱动的多周期预测设计，通过在不同时间层级维护持久化表征，仅在对应周期的K线数据生成完成后才触发该层更新，显著避免了冗余计算。其架构综合了因果多尺度时间编码、门控联想记忆、跨层级共振以及分层证据聚合机制。
DC AI 热点
全部 AI 动态
9月24日2026-09-24
面向在线自适应的贝叶斯神经网络全协方差平滑算法
该研究提出了一种面向在线自适应的贝叶斯神经网络训练方法。研究将神经网络各层视为状态空间模型的时间步，把贝叶斯训练转化为平滑问题：前向过程传播高斯矩，反向 RTS 平滑过程则以闭式解更新权重后验。这种方法单次遍历即可完成学习，具备不确定性感知能力，且无需梯度迭代或经验回放，非常适用于高数据效率的在线自适应场景。针对以往方法受限于激活对角协方差的瓶颈，该工作展开了全协方差平滑研究。
LLMAE：将预训练大语言模型改造为高保真连续文本自编码器
针对自回归语言模型仅能通过序列分解间接表示全局结构、缺乏类似图像领域的忠实连续表征这一问题，研究人员提出了LLMAE方法。该方法将预训练的仅解码器（decoder-only）大语言模型重新利用为连续文本自编码器，通过在其内部激活状态中构建一个中间固定长度的潜在瓶颈（latent bottleneck），成功为文本生成提供了可操作的高保真连续潜空间表征。
柏拉图表征假设中究竟在收敛什么？结构优先于几何
柏拉图表征假设提出高能力模型会趋向于收敛至共享表征，而近期研究将其范围缩减为共享局部邻域关系，并认为校准后全局相似性趋势大多消失。该研究对这一解读提出质疑，指出以往的局部与全局对比混淆了结构尺度（局部与全局）与对比对象本身的差异，即由样本关联定义的“关系结构”和由距离等量化关系表征的“度量几何”被混为一谈，重新澄清了模型表征收敛的实质。