预测价格或风险时，模型常先猜“下一步涨跌多少”，再把这些变化逐步相加。麻烦在于，这像拿一把不会归零的尺子连续量很多次：每次只偏一点，走得越远，累计偏差也可能越大。递归多步预测——把上一步结果继续喂给模型——还会让早期误差影响后续输入，因此长期预测尤其容易漂走。
Zijiang Yang 提出的办法，是把普通累加器换成“泄漏积分器”：旧变化的影响会随时间逐渐衰减，相当于给累积误差装上泄压阀。它只改预测结果的重构步骤，不动原模型，也无需重新训练。论文在20个数据集、9类预测架构上测试；按作者报告，固定设置下，Transformer 的归一化平均绝对误差从3.80降至0.97，MLP、LSTM、GRU等也明显改善，而本来稳定的 linear-AR 保持在0.80。
代价也很直接：泄漏不仅削弱错误，也会削弱真实的持续趋势。作者因此把适用边界说得很清楚——当模型误差的累积压过真实趋势时，这个改动更有用；若序列确有持续漂移，过强衰减反而可能带来偏差。