Entdeckung verborgener kausaler Regeln: Ein zeitlicher Punktprozess-Ansatz zur Erklärung ungewöhnlicher Ereignisse
Ein automatisiertes Verfahren zur Entdeckung von "Wenn-Dann"-Logikregeln, um beobachtete Ereignisse zu erklären.
Effiziente und genaue Vorhersage von Zeitreihen durch Copula-basierte konforme Vorhersage
CopulaCPTS, ein Algorithmus zur konformen Vorhersage, produziert kalibrierte und effiziente Konfidenzintervalle für mehrstufige Zeitreihenvorhersagen, indem er die zeitliche Abhängigkeit zwischen Vorhersageschritten mit Hilfe von Copulas modelliert.
Effiziente Verarbeitung und Analyse von Zeitreihendaten durch lernbasierte Ähnlichkeitssuche
Eine neuartige Methode zur Identifizierung ähnlicher Zeitreihensegmente für kontrastives Lernen, die eine leistungsfähige Repräsentation der Daten ermöglicht.
Effiziente Methode zum Lernen und Generieren von zeitlichen Trajektorien durch variationelle Stichprobenentnahme
Unser Ansatz ermöglicht es, die Verteilung von zeitlichen Trajektorien zu lernen, indem die Übergangsfunktion f explizit als Element in einem Funktionsraum parametrisiert wird. Dies ermöglicht eine effiziente Synthese neuartiger Trajektorien und bietet gleichzeitig ein praktisches Werkzeug für die Inferenz, d.h. Unsicherheitsschätzung, Likelihood-Auswertungen und die Erkennung von Trajektorien außerhalb der Verteilung.
Kontinuierliche und effiziente Zeitreihenmodellierung mit Rough Transformers
Rough Transformers, eine Variante des Transformer-Modells, ermöglichen die Verarbeitung von diskret abgetasteten Zeitreihen als kontinuierliche Signale durch den Einsatz von Multi-View-Signature-Attention. Dadurch können lange Abhängigkeiten effizient erfasst und unregelmäßige Abtastung robust modelliert werden.
Disentangled Repräsentationslernen für multivariate Zeitreihen zur Verbesserung von Vorhersage und Klassifizierung
TimeDRL, ein generisches Framework für multivariate Zeitreihen, ermöglicht effizientes Lernen von entkoppelten Zeitstempel- und Instanz-Repräsentationen ohne Induktionsverzerrung, was zu Verbesserungen bei Zeitreihenvorhersage und -klassifizierung führt.
Optimale Gewichtung für die dynamische Schätzung von Gaußdichten mit gleitendem Fenster
Die optimale Gewichtung der Beobachtungen in einem gleitenden Fenster kann die Genauigkeit der dynamischen Gaußdichteschätzung signifikant verbessern.
Effiziente Anpassung von Großen Sprachmodellen für die Zeitreihenanalyse durch Multi-Patch-Vorhersage
Durch die Neukonzeption der Zeitreihenvorhersage als selbstüberwachte Multi-Patch-Vorhersageaufgabe und die Einführung eines innovativen patch-basierten Dekodierers kann aLLM4TS die Fähigkeiten von Großen Sprachmodellen effektiv für die Zeitreihenrepräsentationslernung nutzen.
Effiziente Verarbeitung und Analyse von Inhalten mit Log Neural Controlled Differential Equations
Log Neural Controlled Differential Equations (Log-NCDEs) sind eine effektive Methode zum Modellieren multivariater Zeitreihen, die auf Neural Controlled Differential Equations (NCDEs) aufbaut. Log-NCDEs verwenden die Log-ODE-Methode, um die Vektorfelder von NCDEs zu approximieren, was zu einer signifikanten Verbesserung der Leistung auf einer Reihe von Benchmarks für die Klassifizierung multivariater Zeitreihen führt.
© 2024 by Linnk AI