报告标题：从高效模型到高效建模
报告时间：8月19日10:30-11:30
报告地点：理科大楼B211
报告摘要：
时间序列智能广泛应用于金融市场、城市管理、能源调度和医疗诊断等场景，是支撑趋势研判、风险预警和动态决策的
重要基础。随着应用环境日益开放复杂，时序模型不仅需要从历史序列中捕捉周期性、趋势性和重复性数值模式，也需
要结合外部事件文本理解潜在的语义变化。现有方法通常依赖深度模型在高维表示空间中直接建模复杂序列与开放语义
信息，容易引入冗余表示和较高计算开销，限制了时序模型的训练、推理和部署效率。围绕“高效模型”这一目标，本
报告首先介绍面向历史序列的数值模式压缩方法。针对周期特征、相位结构与重复片段，提出基于相位编码和原型模式
学习的高效建模方法，将冗长的逐点序列表示转化为紧凑的低维模式表达，在保持预测性能的同时实现约 99% 的模型
参数压缩。其次，报告介绍面向外部事件的文本语义约束方法。针对事件文本语义开放、表达多样的问题，提出态势限
定空间推理方法，将开放文本语义压缩到趋势变化、波动增强等有限态势空间内，使外部事件以低维、可控的方式参与
预测建模，从而降低语义建模复杂度和训练成本。进一步地，报告从“高效模型”拓展到“高效建模”，讨论如何降低
模型设计、错误分析和迭代修正过程中的人工成本。针对模型优化依赖人工反复试错的问题，报告介绍失败证据驱动的
模型迭代优化方法，利用大语言模型智能体在离线阶段构建确定性工具、复盘失败样本、提取结构化证据，并生成可执
行的模型修正方案，从而形成“失败发现—证据提取—方案修正—效果验证”的自动化闭环。相关研究表明，这类机制
能够在提升模型性能的同时保持部署阶段的轻量化与可审计性。本报告旨在从模型结构效率与模型构建效率两个层面，
展示时序智能研究从“设计高效模型”走向“高效完成建模”的新思路。
报告人简介：
邓锦亮，北京航空航天大学计算机学院准聘教授（博导），主持国家高层次海外青年人才项目、新一代人工智能重大专
项课题。2024年于悉尼科技大学获博士学位，2024年至2025年于香港科技大学任博士后研究员。主要研究领域包括时
空数据挖掘、多模态时序分析和时序智能体等，研究成果在ICML (Oral)、NeurIPS (Spotlight)、KDD、TKDE等国际会
议与期刊发表论文30余篇，谷歌学术引用2000余次。曾获CIKM最佳资源论文奖（亚军）等奖项。