克服情境辅助预测中的模态鸿沟
机器学习
2026-04-23 v3
摘要
情境辅助预测（CAF）旨在整合领域知识和前瞻性信息，使 AI 系统超越传统统计方法。然而，近期实证研究揭示了一个颇具 puzzles 的现象：多模态模型往往未能超过其单模态对手。我们假设，这一表现不佳源于现有数据集中情境质量的差励，因为情境验证困难。为此，我们提出一种半合成数据增强方法，生成既能描述时序动态又能被严格验证与数值历史互补的情境。这一方法实现了大规模数据集创建，构建 CAF-7M 语料库，包含 700 万个情境增强的时间序列窗口，其中包括经过严格验证的测试集。我们展示了半合成预训练在真实场景评估中的有效迁移，并证明了情境利用的明确证据。我们的结果表明，数据集质量而非架构限制，是情境辅助预测的主要瓶颈。
引用
@article{arxiv.2603.12451,
title = {Overcoming the Modality Gap in Context-Aided Forecasting},
author = {Vincent Zhihao Zheng and Étienne Marcotte and Arjun Ashok and Andrew Robert Williams and Lijun Sun and Alexandre Drouin and Valentina Zantedeschi},
journal= {arXiv preprint arXiv:2603.12451},
year = {2026}
}