Un interprète dans une salle bruyante essaie de distinguer la parole du brouhaha des voix. La méthode habituelle consiste à mémoriser un ensemble de phrases et à les appliquer selon un schéma. Mais si le bruit augmente, le schéma se brise. L'autorégression vectorielle non linéaire adaptative fonctionne autrement : elle apprend à comprendre le sens du discours en filtrant les interférences.

Dans le nouveau modèle, les caractéristiques non linéaires sont générées par un réseau de neurones entraînable. Il reçoit plusieurs valeurs successives de la série et les transforme en caractéristiques utiles. Ensuite, ces caractéristiques sont combinées avec les valeurs d'origine et transmises à une couche linéaire. Le tout est entraîné conjointement, sans inversion de grandes matrices. Sur le système de Lorenz-96 à 100 variables, le modèle standard aurait nécessité environ 0,8 téraoctet de mémoire, alors que la version adaptative s'est contentée de quelques dizaines de mégaoctets.

Les expériences sur trois systèmes chaotiques ont montré que le modèle adaptatif est plus précis que le modèle standard, en particulier avec un bruit allant jusqu'à 30 %. Sur le système de Mackey-Glass, l'erreur de prédiction sur 100 pas était de 0,051 contre 0,073 pour le modèle standard. Sur le système à cent dimensions, seule la version adaptative a pu terminer l'apprentissage. Un interprète qui apprend à comprendre le sens, plutôt que de mémoriser des phrases, n'est pas déstabilisé par le bruit.