在我们周围的世界中，许多事物都存在于时间维度中：鸟类飞过天空的轨迹可理解为不同时刻的位置变化，对话则是按顺序发生的一系列词语。计算机科学家和统计学家将这类序列称为时间序列。尽管统计学家已找到理解这些模式并预测未来的方法，但现代深度学习AI模型的表现却往往不及甚至劣于统计模型。
加利福尼亚大学圣克鲁斯分校的工程师们开发了一种新型深度学习时间序列预测方法，该方法能利用近期未来数据优化预测结果。当研究人员将这种方法应用于基于脑电波数据的癫痫发作预测任务时，发现其预测性能较基准方法最高提升44.8%。虽然研究聚焦于这一关键医疗应用场景，但该方法的设计适用于广泛领域。这项由美国国家科学基金会资助的新研究发表在《自然·通讯》期刊上。
"世界就是一台时间序列机器，万物始终在变化，"电气与计算机工程助理教授、该研究资深作者杰森·埃什拉吉安表示，"若想让AI为世界带来切实益处，就必须能够处理随时间动态变化的持续演变信息。"
未来引导式学习详解
由杰森·埃什拉吉安领导的神经形态计算小组开展的这项研究，由巴金工程学院本科生研究员斯凯·古纳塞卡拉主导。她在大一入学时就对深度学习产生兴趣，迅速加入埃什拉吉安团队并承担了改进深度学习时间序列预测的项目。
研究团队的"未来引导学习"技术采用两个协同工作的深度学习模型，二者均进行时间序列预测但作用于不同时间尺度。这两个模型分别扮演"学生"和"教师"角色：教师模型处于相对未来的位置，更接近需预测的事件，因此拥有更多数据支撑；教师会将预测结果（无论正确与否）回传给学生模型，这种知识传递机制持续提升学生模型对未来事件的预测能力。
在癫痫数据应用中，该方法运作如下：教师模型分析脑电波数据以判断当前是否发生癫痫；学生模型则位于30分钟之前的时间点，尝试预测30分钟后是否会发生癫痫。教师关于当前发作状态的信息回传至学生模型，使学生得以从教师的"未来视角"中学习。所有实时学习内容持续优化学生模型对未来癫痫发作的预测能力。
"当癫痫检测模型发出尖峰信号，表明癫痫发生概率极高时，就会触发正在预测30分钟后情况的学生模型。此时学生模型获知教师提示'该时段将发生癫痫'，从而激活预测机制提升准确性。它学会了将当前输入数据与癫痫发作相关联，"古纳塞卡拉解释道。
个性化医疗新机遇
该技术为个性化医疗提供新可能，因为学生与教师模型能协同工作，基于患者独特的脑电信号模式进行预测——而持续获取医生的个性化反馈成本高昂。深度学习与可穿戴技术的结合或是实现这一目标的有效途径。
"想象你佩戴能追踪脑电信号的智能手表，该信号同时输入两个模型：判断此刻是否发作，以及预测未来是否发作。在这种情境下实施未来引导学习将极具价值——模型能在长时间积累大量数据的过程中持续学习，"古纳塞卡拉表示。
癫痫预测性能突破
研究团队使用两组真实癫痫患者的脑电图（EEG）数据测试该方法。在来自波士顿麻省理工学院儿童医院的数据集中，师生模型通过学习个体患者模式，预测性能提升44.8%。在美国癫痫学会提供的数据集中，教师模型接受通用癫痫数据训练（更接近现实场景），性能仍比基准方法提升8.9%。
研究团队还在工程领域常用的时间序列预测基准任务——Mackey-Glass方程测试中验证该方法。在这一数学应用中，其性能较基准模型提升23.4%。
脑科学启发设计
埃什拉吉安的深度学习研究从人脑获取灵感：在当前AI模型成本高昂且能耗巨大的背景下，人脑却能以相对极少的能量处理海量信息。
"我们需要从架构改进之外的领域汲取灵感，"古纳塞卡拉说，"或许应关注大脑及皮层功能理论，以改进深度学习方法在时间序列预测中的应用。"
研究团队从大脑作为预测机器的运作方式中获得启示：大脑持续猜测即将接收的感官信息，并仅处理"意外"情况——即现实与预测不符的时刻。
"这种感知与行动持续调整以最小化误差的理念表明，意外事件能加速学习进程，"埃什拉吉安解释道。研究团队计划利用深度学习成果进一步探索大脑如何在不同时间尺度（从毫秒到数月）进行预测。
"这将帮助我们深入理解大脑如何利用时间进行计算。下一步研究可探索时间的动态空间，观察大脑如何适应跨时间尺度的预测，"埃什拉吉安表示。
【全文结束】