liangdaojun的博客

时间序列分析现状：时间序列数据在金融、交通、能源等多领域至关重要，但传统深度学习预测模型存在局限——仅依赖单模态数值数据，采用固定长度窗口在单一数据集上训练预测，无法适应不同场景；且当前单模态方法性能接近饱和，简单线性模型常能媲美复杂模型。现有LLM相关方法缺陷：预训练大语言模型（LLM）为时间序列分析带来新可能，但现有方法存在不足：部分从 scratch 训练效率低且无法处理文本信息；部分整合LLM权重但需针对每个数据集重新微调，无零样本预测能力，且不能输出文本，难以应对时间序列问答、总结等场景。

解决Latex 引用、索引不跳转的问题使用Latex编辑文章，发现生成的pdf文档的引用、索引不响应鼠标事件，也就是不跳转。解决方法 按原先的Latex->BibTex->Latex->Latex编译，完成后不要直接点击dvi->pdf，而是点击 dvi->ps，再点击 ps->dvi。ok。

经验告诉我们，随着网络的训练，损失是会下降的（假设所有设计都正确），损失函数的变化指示着算法的收敛性和网路的学习过程。然而，当我们把总体的损失函数分配到网络中的每一个参数上，来具体测量损失在每个参数上的变化程度，结果会怎样？这篇文章，就是基于这样的思路，对每层、没通道甚至没个神经元的损失变化情况进行了测量，该方法将得到那些有意思的结论呢？