Eine datengetriebene informationstheoretische Methode zur Erkennung interpretierbarer, langfristiger paarweiser Interaktionen aus Zeitreihen
Eine informationstheoretische Methode, die Abhängigkeiten zwischen Zeitreihen anhand statistischer Eigenschaften der Zeitreihen über längere Zeitskalen hinweg erkennt und interpretierbare Einblicke in die Art der Interaktionen liefert.
Explorable Zeitreihenanalyse durch unüberwachtes kontrastives Lernen allgemeiner Shapelets
TimeCSL ist ein System, das allgemeine und interpretierbare Shapelets durch unüberwachtes kontrastives Lernen gewinnt und diese dann für verschiedene Zeitreihenanalyseaufgaben in einem einheitlichen Pipeline-Ansatz nutzt. Das System ermöglicht es Nutzern, die gelernten Shapelets und darauf basierende Zeitreihenrepräsentationen zu erkunden, um Einblicke in ihre Daten zu gewinnen und die Entscheidungsgrundlagen der Analyseergebnisse zu verstehen.
TEMPO: Ein prompt-basiertes generatives vortrainiertes Transformer-Modell für Zeitreihenvorhersagen
TEMPO ist ein neuartiges Framework, das effektiv Zeitreihenrepräsentationen lernen kann. Es konzentriert sich darauf, zwei wesentliche induktive Verzerrungen der Zeitreihenaufgabe für vortrainierte Modelle zu nutzen: (i) die Zerlegung der komplexen Interaktion zwischen Trend-, Saison- und Restkomponenten und (ii) die Einführung des Prompt-Designs, um die Verteilungsanpassung in verschiedenen Arten von Zeitreihen zu erleichtern.
Von der Ähnlichkeit zur Überlegenheit: Kanalgruppierung für Zeitreihenvorhersagen
Eine neuartige und anpassungsfähige Kanalgruppierungsmodule (CCM), die den optimalen Kompromiss zwischen individueller Kanalbehandlung und Modellierung von Kanalabhängigkeiten findet und die Leistung von Zeitreihenmodellen deutlich verbessert.
Explizite Zerlegung und Darstellung von Zeitreihen mit einem Multi-Skalen-Zerlegung MLP-Mixer für die Zeitreihenanalyse
MSD-Mixer, ein neuartiger Multi-Skalen-Zerlegung MLP-Mixer, lernt explizit die Zerlegung und Darstellung von Zeitreihendaten in verschiedenen Schichten, um die komplexen multi-skaligen zeitlichen Muster und Abhängigkeiten effektiv zu modellieren.
Experimentelle Bewertung der Wahl von SSA-Vorhersageparametern
Die Wahl der Fensterlänge und der Gruppierung sind entscheidend für die Genauigkeit der SSA-Vorhersage. Die Methode von [15] zur Auswahl der Fensterlänge zusammen mit einer geeigneten Gruppierung ermöglicht Vorhersagen mit einer deutlich besseren Genauigkeit als konstante oder zufällige Vorhersagen, sofern der mittlere Fehler betrachtet wird.
Unabhängiges Lernen von Zeitreihen-Patches zur Verbesserung der Darstellung
Das Erlernen unabhängiger Darstellungen von Zeitreihen-Patches ist einer Modellierung der Abhängigkeiten zwischen Patches überlegen, sowohl in Bezug auf die Leistung als auch auf die Effizienz.
Effizientes Soft-Kontrastives Lernen für Zeitreihen
Das vorgeschlagene SoftCLT-Verfahren führt zu besseren Darstellungen von Zeitreihen, indem es sowohl die Ähnlichkeiten zwischen Zeitreihenelementen als auch die zeitlichen Beziehungen innerhalb einer Zeitreihe berücksichtigt.
Umfassende Analyse von Grundlagenmodellen für die Zeitreihenanalyse: Eine Anleitung und Übersicht
Grundlagenmodelle haben den Paradigmenwechsel im Modelldesign für die Zeitreihenanalyse grundlegend verändert und verschiedene nachgelagerte Aufgaben in der Praxis verbessert. Diese innovativen Ansätze nutzen oft vortrainierte oder feinabgestimmte Grundlagenmodelle, um speziell für die Zeitreihenanalyse zugeschnittenes, verallgemeinertes Wissen zu nutzen.
Effiziente und genaue Zeitreihenklassifizierung mit konkurrierenden dilatierten Formmerkmalen
Castor ist ein neuartiger, effizienter und genauer Zeitreihenklassifikationsalgorithmus, der dilatierten Formmerkmale nutzt, um Zeitreihen zu transformieren. Castor organisiert die Formmerkmale in Gruppen, in denen sie um den zeitlichen Kontext konkurrieren, um eine vielfältige Merkmalsrepräsentation zu konstruieren.
© 2024 by Linnk AI