time-series

本文提出XACT框架，该框架用于学习时间频率变换上的稀疏归因掩模，以解释时间序列分类器，并展示了相比基线方法在精确度和可解释性方面的提升。

本文提出了一种通过结合静态和在线校正器来控制下行风险以改进冻结预测器的方法，在基准测试中展示了高达11.5%的增益，并在电力负荷预测中减少了误差。

本文介绍了fable.intermittent，一个用于间歇时间序列概率预测方法基准测试的R包，并提出了TWEES，一种使用Tweedie分布的新型指数平滑模型。

本文提出了Slicing-Graphing-Alignment (SGA) 方法，用于量化时间序列基础模型中多步预测的不确定性，展示了优越的性能并揭示了一个经验缩放规律。

本文提出了VINTAGE-TS，这是一种考虑修订的时间序列基础模型适配方案，它能区分观测时间与信息可用时间，并提供了一个用于评估数据修订下预测表现的框架。

本文识别了评估深度不平衡回归中的盲点，提出了平衡指标，并显示了在不同随机种子下尾部区域的高不稳定性。

本文提出事件特征迁移（EST），这是一种无需训练、模型无关的算子，能够通过将历史事件的特征迁移至时序预测中，来构建预测场景。

本文介绍了一个用于冰箱预测性维护的合成多变量时间序列数据集，该数据集通过物理启发式模拟器生成，旨在支持故障预测与退化分析。

UniGIO是一种生成式框架，基于不完整观测对全球原位天气动态进行建模，统一了预测、插补和生成任务。该框架在Weather-5K数据集上达到了最先进的性能，并在准确性和极端事件捕获方面有显著提升。

本文提出了一种面向零样本时间序列预测的源头优先分类体系，对证据来源进行归类，并引入审计框架以提升基准评估的透明度。

本文提出了一种用于机械系统故障检测的多模态异常检测框架，该框架采用自监督跨模态重构和自适应阈值设置，以提高在分布偏移下的鲁棒性。

一种新颖的框架，利用LLMs生成制造业合成时间序列数据，在异常检测等下游任务中显示出优于传统建模技术的性能提升。

本文提出一种更简单的一维时间映射图版本，用于在多种时间尺度上可视化离散事件，并用last.fm的播放记录数据进行演示。

DCRA提出了一种扩散条件表示对齐框架，旨在增强时间序列学习的鲁棒性，尤其适用于脑电图（EEG）和心电图（ECG）等临床信号，通过对不同噪声水平下的表示进行对齐来实现。

本文提出一个合成基准，旨在评估信息论度量在多模态时间序列预测中衡量文本标注信息性的能力，并证明其可用于无需模型训练的标注审核。

本文提出SolCloudLLM，一种基于大型语言模型的多模态框架，融合天空图像和时间序列数据用于太阳能发电预测，在少样本和多云条件下实现显著性能提升。

本文介绍了PGP-Clinical-TimeKAN，一种用于临床数据联合概率预测的轨迹优先框架，该框架在ICU数据集上评估，相比现有模型，在准确性和概率性能上有所提升。

本文提出了深度时间序列模型中记忆机制的统一分类体系，将方法从内部记忆到外部记忆进行分类，并识别研究空白以解决时间依赖挑战。

IBM 发布了 Granite Time Series PatchTST-FM-r2 模型，这是一个 385M 参数的基础模型，用于零样时间序列预测，在 GIFT-Eval 基准测试中表现顶尖，并采用商业友好的 Apache 2.0 许可。

Cadence 提出了一种使用基础模型和自适应算术编码器的有界误差有损压缩方法，用于时间序列，相比经典预测器实现了显著性能提升。