待验证50% 置信事实精确时间
GAS-PFN（Graph-Aware Spatiotemporal Prior-Data Fitted Network）是一种通过将图结构显式融入PFN先验、在无需参数更新的情况下实现跨网络零样本交通预测的方法。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
涉及实体
相关事实
待验证先验数据拟合网络（PFN）的核心思路是通过在大量合成的先验数据上进行预训练，让神经网络直接学会近似贝叶斯后验预测分布（PPD）70% 相似待验证GAS-PFN采用两次掩码条件的前向传播，共享同一个Transformer骨干网络：第一次传播建模每个传感器特有的时间动态，第二次传播聚焦邻居传感器之间的时空交互，两次输出整合用于最终预测。67% 相似待验证SelectPFN 是一种基于先验数据拟合网络（PFN）的模型，能够联合执行贝叶斯变量选择与预测，并专为稀疏非线性回归任务设计；它在单次前向传播中不仅给出预测结果，还返回每个变量的后验包含概率。67% 相似待验证SelectPFN 能在约 0.04 秒内完成预测，根本原因在于 PFN 的摊销推断特性，将逐数据集推断成本摊销到预训练阶段。61% 相似待验证实证结果表明PFN通常能够很好地复现目标后验预测分布60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1105972API
curl https://kongchang.com/api/v1/knowledge/claims/1105972MCP
get_claim(id=1105972)