Kyoto University

作者提出一种称为“自先验”（self-prior）的密度模型，用来刻画智能体自身多模态感觉经验，并将其嵌入基于自由能原理的主动推断框架，使行为参照完全由内在过程产生，即最小化过去感觉经验平均值与当前观测之间的失配；在模拟环境中，智能体无需外部奖励便自发地朝触觉刺激伸手。

作者提出一种称为“自先验”（self-prior）的密度模型，用来刻画智能体自身多模态感觉经验，并将其嵌入基于自由能原理的主动推断框架，使行为参照完全由内在过程产生，即最小化过去感觉经验平均值与当前观测之间的失配；在模拟环境中，智能体无需外部奖励便自发地朝触觉刺激伸手。

该研究以日本两座生态条件迥异的湖泊（深水分层的琵琶湖与浅水富营养化的霞浦湖）长达30年的月度水质监测记录为数据基础，将Transformer架构的Chronos-T5与概率模型Lag-Llama两个时间序列基础模型，同15个统计（AR、ARIMA、SARIMA、Prophet）、机器学习（随机森林、XGBoost、KNN、SVR）与深度学习（LSTM、CNN、TCN及SSA混合）模型进行基准比较，发现微调后的Chronos-T5在全部六个监测站点均排名第一，对溶解氧、水温、pH及氮磷营养盐等参数取得R²>0.80–1.00的高精度，而叶绿素a在所有模型中R²均低于0.30，并识别出约14年的最

该研究以日本两座生态条件迥异的湖泊（深水分层的琵琶湖与浅水富营养化的霞浦湖）长达30年的月度水质监测记录为数据基础，将Transformer架构的Chronos-T5与概率模型Lag-Llama两个时间序列基础模型，同15个统计（AR、ARIMA、SARIMA、Prophet）、机器学习（随机森林、XGBoost、KNN、SVR）与深度学习（LSTM、CNN、TCN及SSA混合）模型进行基准比较，发现微调后的Chronos-T5在全部六个监测站点均排名第一，对溶解氧、水温、pH及氮磷营养盐等参数取得R²>0.80–1.00的高精度，而叶绿素a在所有模型中R²均低于0.30，并识别出约14年的最