论文推荐：ScoreGrad，基于能量模型的时间序列预测

能量模型（Energy-based model）是一种以自监督方式执行的生成式模型，近年来受到了很多关注。本文将介绍ScoreGrad：基于连续能量生成模型的多变量概率时间序列预测。如果你对时间序列预测感兴趣，推荐继续阅读本文。

为什么时间序列预测很重要?

这是一个老生常谈的问题，因为时间序列预测在各个行业都有广泛的用例，从金融到能源，从医疗保健到农业等。

与其他人工智能领域(如计算机视觉)相比，时间序列具有挑战性的是高度的不确定性及其长/短依赖性等。也就是说，即使使用最先进的数学算法，就目前来说，你也不可能预测下个月比特币的价值，因为除了时间序列本身，还有很多外在因素。但是在众多应用中，深度学习模型被广泛用于预测未来，例如预测能源消耗，就能源来说，影响的因素较小，我们倒是可以对其进行研究。

为什么生成模型是人们关注的焦点?

生成模型是一种新的类型的深度学习模型，随着新一波有创意和有前途的初创企业在经济中获得越来越多的关注。生成模型中最受欢迎和流行的例子是著名的ChatGPT，它在最近几个月里征服了数百万人。

生成模型的机制可能听起来很复杂，本文也无法详细说明，但是一般来说生成模型能够生成新的数据(这是废话😒)。但这些数据可以是任何类型的数据，从图像到文本，当然也包括数字。

生成模型是如何工作的?

一句话总结生成数据的机制:他们通过学习训练数据中的统计模式来生成新的数据样本，然后使用这些知识随机创建新的、相似的样本。

生成式模型试图生成尽可能接近真实数据分布的分布。

下面开始进入我们的正题

完整文章：

https://avoid.overfit.cn/post/7dc6c0db14cc4e919bc4dbb8d342b0e0