标签
Align-RAG 引入了一种无需训练的闭式对齐方法，用于在冻结的时间序列基础模型上进行检索增强预测，在标准基准测试中超越了学习型融合适配器，且无需任何学习参数。
本文介绍了CGTime，一个4B参数的计算基础时间序列-语言模型，通过确定性统计和LLM言语化将感知与描述解耦，在多元理解任务上优于更大的通用模型。
精选 20 本图书，涵盖 5 个类别，帮助你从基础到生产系统学习 AI/ML。
本文介绍了TS2TabPFN，这是一个将显式特征提取与TabPFN 2.5表格基础模型相结合用于时间序列分类和外部回归的框架。实验表明，它在TSER任务上优于最先进的模型，并在TSC任务上取得了具有竞争力的结果。
This paper introduces MINT, a method that stacks recurrence (self-similarity) matrices of multiple time series into a tensor and applies tensor decomposition to mine co-clustered cross-sensor patterns. Experiments on transit, electricity, wind turbine, and traffic data show effective co-clustering of motifs in regular time series.
本文介绍了SynEnergy，一个两阶段基于扩散的框架，通过基于异构图的异常语义学习和异常语义引导扩散，在生成合成能源消耗数据的同时保留稀有异常事件。
本文提出了一种基于时刻表信息的时间融合变换器（Temporal Fusion Transformer）框架，用于预测机场安检口每小时吞吐量。该框架将航班时刻表转换为时间对齐的安检负载信号。在亚特兰大机场数据上，该模型相比RNN和LSTM基线实现了更低的预测误差。
This paper introduces TraceMAS, an interactive demo system for traceable multi-agent forecasting that organizes agent outputs around causal-loop diagrams to make the evidence-to-forecast process inspectable, demonstrated on crude oil price forecasting.
GreptimeDB v1.2.0-beta.1 已发布，主要特性包括：JSON2 作为结构化列类型、支持原生直方图的 Prometheus Remote Write v2、字典编码的序列键以加快查询速度，以及其他加固和破坏性更改。
AutoCause是一个开源Python框架，可在环境时间序列因果发现中自动化专家决策，封装多种因果发现方法，并提供可审计、可重复的分析。该框架在来自合成和真实世界基准的145个数据集上进行了评估。
作者训练了一个仅编码器的 transformer，利用过去的血糖、碳水化合物、胰岛素以及未来的进餐/胰岛素输入来预测未来的血糖水平，并发布了采用 MIT 许可的源代码和预训练权重。
本文提出了一种利用倒置自注意力机制进行多元时间序列因果发现的新框架，引入了因果自注意力模块（CSAM）和全局因果算法，以识别潜在因果联系并减少虚假相关。
DoTime is a synthetic benchmark generator for interventional and counterfactual time series, providing scalable TSCM-based data generation with exact ground truth, released as a PyPI package with evaluation suites. It enables training and benchmarking causal foundation models on non-observational time series data.
本文提出了一种具有对称膨胀的Temporal Convolutional Network用于轨迹修补，通过复合损失函数从观测上下文中重建缺失片段，并在合成的二维轨迹上进行了评估。
SeT-Diff提出了首个面向HPC遥测的基础模型，利用基于语义传感器描述的扩散机制，在插补、预测和虚拟传感等任务上实现零样本泛化，重建任务的MAE达到0.0470。
本文探讨了在FPGA上优化Transformer神经网络推理以实现金融时间序列的实时异常检测，并在PYNQ-Z2开发板上展示了高效的实现。
MissHyper是一种新的超图预测模型，通过在消息传递之前聚合共时间戳记录来恢复临床同步性，在PhysioNet 2012、MIMIC-III和MIMIC-IV基准测试上取得了一致的性能提升。
本文提出了一种混合概率预测系统，将时间序列分解（Prophet）与自然语言处理技术相结合，应用于玻利维亚新闻报道以预测路障，相比纯统计模型，取得了改进的AUC-ROC和Brier分数。
CARNet将全局循环周期信息整合到高效的核心交互建模中，用于多元时间序列预测，实现了线性复杂度，并在实际基准测试中优于强大的Transformer基线模型。
介绍 DriveDNA，这是一个包含来自 115 种车型的 465 名驾驶员的 4,121 次行程的大规模多模态自然驾驶数据集，以及通过小样本驾驶员重识别和个性化行为预测等任务进行驾驶风格识别的基准。