基于实时循环学习的状态空间模型碳排放预测在线微调
计算工程、金融与科学
2026-02-16 v1 机器学习
系统与控制
系统与控制
摘要
本文提出了一种新的方法，用于在推理阶段对结构化状态空间模型（SSMs）的预测进行在线微调，方法采用实时循环学习。虽然状态空间模型因其高效性和长程建模能力而闻名，但它们通常在离线训练后在部署期间保持静态。我们的 метод使能够通过持续响应新输入数据来动态更新模型参数。我们使用小型碳排放数据集（来自嵌入式汽车硬件）评估了该方法针对线性循环单元 SSM 的效果。实验结果表明，该方法在推理期间能持续降低预测误差，展示了其在动态资源受限环境中的潜力。
引用
@article{arxiv.2508.00804,
title = {Online Fine-Tuning of Carbon Emission Predictions using Real-Time Recurrent Learning for State Space Models},
author = {Julian Lemmel and Manuel Kranzl and Adam Lamine and Philipp Neubauer and Radu Grosu and Sophie Neubauer},
journal= {arXiv preprint arXiv:2508.00804},
year = {2026}
}
备注
6 pages