少样本精确泛化
通过将时序数据压缩为紧凑离散表示并融入格兰杰因果关系，让大语言模型在样本稀缺时仍能实现精准预测。
Jiaqi, Chu · 刘承宝 · Bai, Xiwei · Yuan-Yuan, Li · 唐杰
Neural Networks 2025
通过微调预训练 LLM 而非从头训练，模型在少样本场景下仍能准确预测。
引入格兰杰因果修正模块，让模型基于变量间的非线性因果关联进行预测，增强可解释性。
在零样本和少样本预测中表现优异，无需针对新数据集重新训练即可应用。