JointFM: Das erste Basismodell für mehrdimensionale Verteilungsprognosen

Ein neuer Bericht auf arXiv (2603.20266v1) stellt JointFM vor – ein Basismodell, das die Art und Weise, wie Unsicherheit in Zeitreihen vorhergesagt wird, grundlegend verändert.

Stochastische Differentialgleichungen (SDEs) gelten seit langem als Goldstandard für die Modellierung unsicherer Systeme. In der Praxis stoßen sie jedoch häufig auf erhebliche Hindernisse: die Modellierung birgt ein hohes Risiko, die Kalibrierung ist oft fragil und hochpräzise Simulationen erfordern enorme Rechenressourcen.

JointFM kehrt dieses Paradigma um. Anstatt SDEs an Daten anzupassen, erzeugt das Modell unendlich viele synthetische SDEs und nutzt diese, um ein generisches Modell zu trainieren, das zukünftige gemeinsame Wahrscheinlichkeitsverteilungen direkt vorhersagen kann. Dadurch entfällt jegliche aufgaben­spezifische Kalibrierung oder Feinabstimmung.

In einem rein zero‑shot‑Setting konnte JointFM die Energieverluste um 14,2 % im Vergleich zum stärksten bestehenden Baseline senken, wenn es die „Oracle“-Verteilungen aus bislang unbekannten synthetischen SDEs rekonstruierte.

Damit präsentiert sich JointFM als das erste Basismodell für die Verteilungsprognose gekoppeltem Zeitreihen, das ohne zusätzliche Anpassungen funktioniert und damit einen bedeutenden Fortschritt für die praktische Anwendung von KI in unsicheren Systemen darstellt.