JointFM: un nuovo approccio alla modellazione stocastica

Nonostante i progressi nell'Intelligenza Artificiale, le Equazioni Differenziali Stocastiche (SDE) rimangono uno standard per modellare sistemi incerti. Tuttavia, applicare le SDE presenta sfide significative: la modellazione del rischio è elevata, la calibrazione è complessa e le simulazioni ad alta fedeltà sono costose.

JointFM inverte questo paradigma. Invece di adattare le SDE ai dati, campiona un flusso infinito di SDE sintetiche per addestrare un modello generico a prevedere direttamente le distribuzioni di probabilità congiunte future. Questo approccio rende JointFM il primo modello fondazionale per le previsioni distribuzionali di serie temporali accoppiate, senza necessità di calibrazione o fine-tuning specifici per il task.

In un contesto puramente zero-shot, JointFM riduce la perdita di energia del 14.2% rispetto alla baseline più performante nel recupero delle distribuzioni congiunte generate da SDE sintetiche non viste.