JointFM-0.1：面向多目标联合分布式预测的基础模型
机器学习
2026-04-06 v2 人工智能
摘要
尽管人工智能(AI)取得了快速进展，随机微分方程(SDEs)仍是建模不确定性系统的 gold-standard 形式。然而，在实际中应用 SDEs 面临诸多挑战：建模风险困难、校准常常脆弱、高保真仿真计算成本高。本技术报告介绍 JointFM，一种颠覆性的基础模型。它颠倒了这一范式：不将 SDEs 拟合到数据，而是对大量合成 SDEs 进行采样，以训练通用模型直接预测未来联合概率分布。该方法使 JointFM 成为第一个用于预测耦合时间序列联合分布的基础模型——无需任务特定校准或微调。尽管在纯零样本设置下运行，JointFM 在恢复由未见合成 SDEs 生成的 oracle 联合分布时，能量损失相对于最强基线降低 21.1%。
引用
@article{arxiv.2603.20266,
title = {JointFM-0.1: A Foundation Model for Multi-Target Joint Distributional Prediction},
author = {Stefan Hackmann},
journal= {arXiv preprint arXiv:2603.20266},
year = {2026}
}