真实VS准确只能二选一？新算法让扩散模型样本直接变预测精度！
Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective
📖 AI 总结
该研究将事件序列的多步预测建模为条件生成问题，事件序列由数值与类别混合特征构成，广泛应用于金融、医疗和业务流程智能等领域。作者构建了一个综合基准，同时从预测准确性和分布真实性两个维度评估模型，涵盖统计基线、来自相邻领域的近期模型以及精选真实数据集。评估发现，没有任何方法能同时在准确性和真实性上表现优异，二者存在根本性权衡。为此，作者提出Wasserstein BaryBooster算法，将真实性强的扩散模型样本聚合到当前最优预测器中，证明分布真实性可转化为预测准确性。该工作为事件序列预测的评估提供了新视角，并展示了生成建模与判别预测融合的可行路径。
🔑 关键词速览
| Event Sequence Forecasting | 事件序列预测，指根据历史事件序列预测未来事件及其特征的任务。 |
| Conditional Generative Modeling | 条件生成建模，一种在给定条件下学习数据分布并生成新样本的建模方法。 |
| Distributional Realism | 分布真实性，指生成的预测分布与真实数据分布在统计特性上的相似程度。 |
| Wasserstein BaryBooster | 一种基于 Wasserstein 重心聚合的增强算法，用于将扩散模型的样本转化为更准确的预测。 |
| Diffusion Model | 扩散模型，一类通过逐步去噪过程生成数据的生成模型，以高质量样本著称。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅