改进学习型时间序列模型的多步预测

arXiv 2015 35.9 method

TLDR

一种利用模仿学习改进多步时间序列预测的方法，具有理论保证，并在动态系统和视频纹理上测试。

评分理由

The paper presents a novel reduction of multi-step prediction to imitation learning, providing a theoretical guarantee and empirical improvements in two domains. However, the scope is limited to time series and does not explicitly address world models or simulation, which may reduce relevance to those keywords.

Read-first 评分解释

综合优先阅读分 35.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 8。

引用影响力 18%

98.7

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.98670776

引用速度 12%

58.3

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：16.50

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：实验、结果

近期性 6%

20.8

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2015

主题相关性 29%

11.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：无；代码：无；数据：无；命中信号：无

研究版图角色

基础论文

排序敏感性

稳定性：volatile；排名波动范围：394。

关键词评分

world dynamics prediction

video world model

world model

world simulator

generative world model

interactive world model

model-based reinforcement learning world model