模型无关，误差显著降低
用一组可学习的函数刻画多变量时间序列间的复杂依赖，以数据驱动的方式对预测网络施加约束，提升预测精度。
Li, Ting · Yu, Bing · Li, Jianguo · 朱占星
Artificial Intelligence 2024
框架以损失函数正则项形式插入训练过程，不需要修改主干网络结构，可嫁接到任何现有多变量时序预测模型上。
通过神经网络参数化的函数关系场，可以从数据中恢复“上游出流之和等于下游入流”这类复杂函数依赖，而不像图模型只能表达两两相关性。
在多个真实数据集上，结合不同主干网络均观察到预测误差显著下降，表明该约束普遍有效。