OliverDOU776/Few-step-probabilistic-glucose-forecasting-from-continuous-glucose-monitoring-and-meal-images

解决的问题

GlucoFlow 解决了在目标数据集较小但存在较大源数据集时的概率时间序列预测挑战。具体而言，它针对的是用户需要可靠的不确定性范围（预测分布）而非单一的点估计的血糖预测场景，且推理速度必须足够快以实现实际部署。

工作原理

该项目使用条件化修正流模型，仅需 1 到 4 步欧拉法即可生成完整的预测分布，避免了扩散模型典型的缓慢采样链。它采用迁移学习方法：时间动态在大型源数据集上进行预训练，然后在较小的目标数据集上进行适应（微调）。该模型可选择性地基于辅助信息（如餐食图像和营养数据）进行预测，通过灵活的嵌入系统实现。

适用人群

专为从事生理时间序列预测的研究人员和开发者设计，特别是那些面临目标领域数据有限，且需要校准不确定性估计以用于医疗或健康相关研究的用户。

主要亮点

• 快速概率推理：使用修正流在 1†4 步内生成未来轨迹。
• 迁移学习路径：提供预训练-适应工作流，利用大型源数据集为小规模目标群体赋能。
• 多模态条件输入：通过可自定义的嵌入接口支持图像或元数据等可选输入。
• 不确定性量化：生成完整的预测分布，支持中位数、置信区间和事件概率的计算。