信号、概念与定律：迈向通用、可解释的时间序列预测
Signals, Concepts, and Laws: Toward Universal, Explainable Time-Series Forecasting
The University of Sydney（悉尼大学）
AI总结：
DORIC通过五个自监督概念和物理约束实现通用、可解释的时间序列预测
摘要：
准确、可解释且具有物理可信性的多变量时间序列预测仍然是一个持续的挑战，因为其统计特性在不同领域中有所不同。我们提出DORIC，一种领域通用、微分方程正则化、可解释概念变换器，用于时间序列预测。该方法通过五个自监督、领域无关的概念生成预测，同时强制执行基于基本原理约束的可微残差。
英文摘要：
Accurate, explainable and physically credible forecasting remains a persistent challenge for multivariate time-series whose statistical properties vary across domains. We propose DORIC, a Domain-Universal, ODE-Regularized, Interpretable-Concept Transformer for Time-Series Forecasting that generates predictions through five self-supervised, domain-agnostic concepts while enforcing differentiable residuals grounded in first-principles constraints.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
