何时信任记忆：分布偏移下检索引导的概率时空预测

arXiv:2610.32329v1 公告类型：新 摘要：时空预测在现实世界的应用中发挥着重要作用，其中概率方法能够为决策提供不确定性估计。现实世界的系统本质上是非平稳的，导致训练数据与测试数据之间存在分布偏移。然而，现有概率方法主要关注标准设置下的数据分布建模，而分布偏移方法通常以粗粒度方式处理这类偏移，无法刻画偏移程度并据此调整预测策略。因此，它们往往会产生校准不佳且不可靠的预测。为解决这一问题，我们提出了 REMIND，一种用于分布偏移下时空预测的检索引导概率框架。REMIND 利用检索来估计当前观测在多大程度上得到历史模式的支持，从而能够在不同偏移状态下进行自适应预测。该方法采用时空检索构建记忆库，并引入双分支架构：针对轻微偏移的记忆校准概率分支，以及针对严重偏移的偏差感知概率分支。由检索相似度和记忆离散度引导的偏移自适应门控机制，根据偏移程度平衡两个分支。我们进一步设计了分层高斯混合模型，以捕捉双分支预测中的异质不确定性，并引入记忆扰动训练方案以提升泛化能力。在存在分布偏移的真实世界数据集上的实验表明，REMIND 在预测准确性和概率预测质量方面均持续优于当前最先进的方法。