Переводчик в шумном зале старается расслышать речь сквозь гул голосов. Обычный метод — заучить набор фраз и подставлять их по шаблону. Но если шум усиливается, шаблон ломается. Адаптивная нелинейная векторная авторегрессия работает иначе: она учится понимать смысл речи, отфильтровывая помехи.

В новой модели нелинейные признаки генерирует обучаемая нейросеть. Она получает несколько последовательных значений ряда и преобразует их в полезные признаки. Затем эти признаки объединяются с исходными и подаются на линейный слой. Всё это обучается вместе, без обращения больших матриц. На системе Лоренца-96 со 100 переменными стандартной модели потребовалось бы около 0.8 терабайта памяти, а адаптивная версия обошлась десятками мегабайт.

Эксперименты на трёх хаотических системах показали, что адаптивная модель точнее стандартной, особенно при шуме до 30%. На системе Маккея–Гласса ошибка прогноза на 100 шагов составила 0.051 против 0.073 у стандартной модели. На стомерной системе только адаптивная версия смогла завершить обучение. Переводчика, который учится понимать смысл, а не заучивает фразы, шум не сбивает.