Ein automatisiertes Verfahren zur Entdeckung von "Wenn-Dann"-Logikregeln, um beobachtete Ereignisse zu erklären.
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.
Eine neuartige Methode zur Identifizierung ähnlicher Zeitreihensegmente für kontrastives Lernen, die eine leistungsfähige Repräsentation der Daten ermöglicht.
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.
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.
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.
Die optimale Gewichtung der Beobachtungen in einem gleitenden Fenster kann die Genauigkeit der dynamischen Gaußdichteschätzung signifikant verbessern.
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.
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.