概率预测近期进展

概率预测是人工智能领域的一个重要分支，它旨在通过分析历史数据来预测未来的事件或数值。近期，这一领域的研究呈现出多样化和深入化的趋势。

语言模型概率预测一致性研究：该研究提出了一种评估语言模型概率预测一致性的方法，旨在提高预测的可靠性。

DecoVAE：轻量级可解释时间序列预测框架：DecoVAE是一种轻量级的时间序列预测框架，它通过可解释的变分自编码器来提高预测的准确性和效率。

防御性Boosting：在线概率预测的新方法：该研究提出了一种新的在线概率预测方法，称为防御性Boosting，旨在提高预测的鲁棒性。

TORF：两阶段残差流实现均值保持的概率时间序列预测：TORF是一种基于两阶段残差流的方法，用于实现概率时间序列预测中的均值保持。

当前焦点与观察点

概率预测的研究正聚焦于提高预测的准确性、可解释性和鲁棒性。同时，研究者们也在探索如何将这些技术应用于不同的领域，如电力系统、生存数据分析等。以下是一些观察点：

基于学习的概率负荷预测：事后与模型内不确定性：该研究探讨了基于学习的概率负荷预测，并分析了模型内不确定性对预测结果的影响。

Decision-Aware Training for Sample-Based Generative Models：这项研究提出了一个决策感知的训练方法，用于样本生成模型，以提高生成样本的多样性。

PowerPhase & PowerForge：大规模电力系统概率预测新基准与模型：PowerPhase和PowerForge是针对大规模电力系统概率预测的新基准和模型，旨在提高预测的准确性和效率。

Proper Scoring Rules for Right-Censored Survival Data：该研究提出了适用于右截尾生存数据的适当评分规则，以改善生存分析中的概率预测。