近日，人工智能学院2021级本科生江海琪以第一作者身份，在计算机领域顶级国际会议KDD 2025（中国计算机学会CCF推荐A类会议）发表论文。该论文题为《基于上下文元适应方法的时间序列去噪与预测》（A Unified Contextual Meta-Adaptation Methodology for Time-Series Denoising and Prediction），展现了在时序数据分析领域的创新成果。该研究成果在学院范晨悠老师和国际商学院陈蕊老师共同指导下完成。国际商学院2021级本科生丁颖、人工智能学院2024级研究生潘辰杰对论文作出贡献。

传统时序预测模型（如AR，Autoformer等）通常需要固定历史观测窗口和预测长度，难以灵活适应不同任务需求。针对这一局限，研究提出了上下文元适应框架（CMA），仅需单次训练即可处理可变历史长度和外推范围（见图1）。 该方法融合了去噪扩散（denoising diffusion）模型，在生成最大似然未来序列的同时，保证与已观察的历史和此前生成的结果保持一致性。研究还提出了一种高效的更新策略，即在训练阶段采用基于梯度的元学习进行全参数调优，在测试阶段则通过 LoRA 实现低参数的小样本快速适应（test-time adaptation）。

研究在以下三种任务上验证了有效性：（1）上下文内学习（in-context learning），处理更长历史观测信息；（2）扩展上下文学习（extend-context learning），预测最长达原始任务 3 倍的未来步长；（3）跨上下文学习（cross-context learning），在不同源-目标领域之间进行领域迁移学习。通过"元训练全参数优化+测试时LoRA微调"的混合策略，CMA在学术数据集上平均提升7%性能，在金融和碳排放等实际场景中取得16%的显著提升。

据悉，国际知识发现与数据挖掘大会 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining，简称KDD) 是数据挖掘和知识发现领域影响力最高的顶级国际会议，由美国计算机协会（ACM）主办，以其严格的审稿标准和高质量的研究成果闻名，被中国计算机学会（CCF）推荐为A类国际顶级会议。本次会议采用OpenReview平台进行双盲评审，Research Track的论文录用率仅约18.4%，会议将于2025年8月在加拿大多伦多举行。