面向PDE预测的系统锚定膝估计：低成本上下文窗口选择
人工智能
2026-03-27 v1
摘要
自回归神经 PDE 模拟器会从有限历史中逐步预测物理场的演化，但对于此类模拟器的低成本上下文窗口选择仍是一个未形式化的问题。现有时间序列预测中的上下文窗口选择方法包括穷举验证、直接低成本搜索和系统理论记忆估计，但它们要么昂贵，要么脆弱，要么未直接对齐下游滚动性能。我们将固定窗口自回归神经 PDE 模拟器的上下文窗口选择明确形式化为独立的低成本算法问题，提出一种系统锚定膝估计（SAKE）方法，该方法首先从可解释的系统锚点识别出小型结构化候选集，然后在其中内进行膝意识下游选择。在所有八个 PDEBench 族在共享 协议下评估的情形下，SAKE 在所评估方法中整体上最强的匹配预算低成本选择器，实现 67.8% 的精确匹配、91.7% 的 within-1 匹配、6.1% 的平均 regret@knee，以及 0.051 的成本比（实现 94.9% 的归一化搜索成本节省）。
引用
@article{arxiv.2603.25025,
title = {System-Anchored Knee Estimation for Low-Cost Context Window Selection in PDE Forecasting},
author = {Wenshuo Wang and Fan Zhang},
journal= {arXiv preprint arXiv:2603.25025},
year = {2026}
}