ComS2T: 适用于数据自适应模型演化的补充时空学习系统
原文中文，约400字，阅读约需1分钟。发表于：。通过引入一种基于提示的互补时空学习方法 ComS2T，该方法将神经结构分为稳定的新皮层和动态的海马体，从而实现模型对数据适应性的进化。通过训练空间和时间提示来使提示适应新数据，结合两阶段训练过程，实现了在测试期间的高效适应性，有效地适应不同的时空场景，并保持高效的推理能力。
本文介绍了一种名为PromptST的解决方案，用于时空多属性预测。该方案通过时空变换器和参数共享训练机制处理不同时空属性之间的共同知识，并使用轻量级时空指令调优策略适应特定属性。实验证明PromptST具有先进性能和高可迁移性，为智能城市建设提供了有前景的应用潜力。
