摘要
最近的基础模型（FMs）在动态系统（DS）的零-shot重建方面取得了强大的跨域泛化能力，但对其预测机制的理解却很少。这种理解有助于将过于复杂的FM架构简化到其本质，并揭示DS领域中上下文学习的最小要求。
为了实现这一目标，我们对最近强大的SOTA动态系统重建模型DynaMix进行了迭代简化，得到了一个可解释的两参数形式，称为DynaBase。
DynaBase通过当前潜在状态与最近的上下文邻居及其时间继承者的线性混合来生成预测。令人惊讶的是，尽管其极端简单，DynaBase在混沌和周期系统中的零-shot DS重建表现出高度竞争力，参数负载极小，远低于其他FMs。
此外，这种极简性允许直接对DS重建指标进行模型优化，以及对预测均方误差（MSE）进行封闭形式的一步解析解。
DynaBase的理论和实证分析进一步导致了一类一参数映射，其中(Zhang & Gilpin, 2026)的上下文模仿算法在一端恢复，而混沌（发散但有界）行为在另一端。我们还展示了不同的训练策略如何导致模型在短期预测或DS重建方面的最佳表现。
因此，DynaBase不仅揭示了零-shot DS重建所需的最小机制，还在一个可访问的数学框架中调和了文献中的不同观察结果。
博主点评： DynaBase的提出不仅简化了动态系统的重建过程，还为理解复杂模型提供了新视角。在实际应用中，极简的架构可能会带来更高的效率和可解释性，值得进一步探索和实践。