标签
本文介绍了 SAGE，这是一种用于时间序列异常检测的多智能体 LLM 框架，它利用专用分析器来提高可解释性和可靠性。该框架在三个基准测试中表现出优于基线模型的性能，并通过结构化证据整合增强了诊断报告的质量。
本文介绍了 MOSAIC，这是一种用于科学时间序列中模块发现的方法，它将因果表征学习与稀疏可加可识别因果学习相结合。其目标是在无需事后对齐的情况下，恢复可解释的潜在变量及其关联观测值，并在分子动力学和气候数据等领域进行了验证。
本文提出了在线局部化共形预测（OLCP），旨在解决在线学习和时间序列设置中的协变量异质性问题。文章引入了用于带宽选择的 OLCP-Hedge 算法，并证明与现有基线相比，该方法在获得更窄预测集的同时，仍能保持有效的长期覆盖率。
谷歌开源了时序预测基座模型TimesFM 2.5，参数量降至200M，上下文长度扩展至16k，可直接基于历史数值序列进行zero-shot预测。
本文提出了JuRe（Just Repair，意为“仅需修复”），一个用于时间序列异常检测的极简去噪网络。该网络在TSB-AD和UCR基准数据集上的性能匹配或超越了复杂的神经网络基线模型，表明正确的流形投影训练目标比架构复杂度更为重要。
学术论文比较了 SARIMAX 与泊松回归在预测稀疏、爆发式漏洞目击时间序列中的表现，发现基于计数的模型更稳定。
本文介绍了一篇关于时间序列基础模型（TimeFM）的研究论文，这是一种仅解码器模型，通过借鉴大型语言模型技术，在多样化的时间序列数据集上实现了近乎最佳的零样本性能。