HierCVAE：面向多尺度时序建模的层次注意力驱动条件变分自编码器
机器学习
2025-08-27 v1 人工智能
摘要
复杂系统中的时序建模需要捕捉跨多个时间尺度的依赖关系，同时管理固有的不确定性。我们提出 HierCVAE，一种将层次注意力机制与条件变分自编码器相结合的新型架构，以应对这些挑战。HierCVAE 采用三层注意力结构（局部、全局、跨时间），并结合多模态条件编码来捕捉时序、统计和趋势信息。该方法在潜在空间中引入了 ResFormer 模块，并通过预测头提供显式的不确定性量化。通过在能源消耗数据集上的评估，HierCVAE 在预测精度上相比最先进方法提升了 15-40%，并展现出更优的不确定性校准能力，在长期预测和复杂多变量依赖关系方面表现尤为出色。
引用
@article{arxiv.2508.18922,
title = {HierCVAE: Hierarchical Attention-Driven Conditional Variational Autoencoders for Multi-Scale Temporal Modeling},
author = {Yao Wu},
journal= {arXiv preprint arXiv:2508.18922},
year = {2025}
}
备注
10 pages, 6 figures