Benchmarking actual frena el progreso en deep learning para series temporales
Descubre por qué los benchmarks actuales frenan el avance real en deep learning para series temporales y cómo una tarjeta de modelo puede cambiarlo.
#series temporales
Reconstrucción de estados con kernel informado por conocimiento
MAAT utiliza conocimiento previo y kernels para reconstruir estados de sistemas dinámicos desde observaciones parciales, reduciendo errores de trayectoria y derivadas.
La interpretabilidad en modelos de series temporales profundos exige alineación semántica
Descubre cómo la alineación semántica revoluciona la interpretabilidad en modelos de series temporales profundos, mejorando la confianza y la toma de decisiones.
Vulnerabilidades en explicaciones para clasificadores de series temporales
Descubre cómo un ataque dual manipula predicciones y explicaciones en clasificadores de series temporales, desafiando la confianza en la estabilidad explicativa.
Redes Echo State en series temporales: ajuste de hiperparámetros y comparación
Descubre cómo las ESN se comparan con ARIMA y ETS en pronóstico de series temporales. Análisis de hiperparámetros y benchmark M4.
SEMixer: Mezclador MLP semántico para pronóstico a largo plazo
Descubre SEMixer, un modelo ligero que integra semántica multiescala para mejorar el pronóstico de series temporales a largo plazo. Resultados destacados en el CCF AlOps Challenge.
Marco APTF: Entrenamiento consciente de predecibilidad en series temporales
Mejora el pronóstico y clasificación de series temporales con APTF, un marco que identifica muestras de baja predecibilidad y las penaliza progresivamente.
Difusión compleja paralela para generación escalable de series temporales
Descubre PaCoDi: difusión espectral para series temporales escalables. Supera a métodos tradicionales en calidad y eficiencia.
Razonamiento adaptativo en series temporales mediante selección de segmentos
Descubre ARTIST, el sistema que optimiza el razonamiento en series temporales seleccionando segmentos clave. Mejora la precisión un 6.46% con aprendizaje por refuerzo.
Modelado Inverso Codificado con Física para Predicción de Nieve Ártica
Descubre el modelo inverso PhysE-Inv que combina LSTM y física para predecir nieve ártica, reduciendo errores un 24.7%.
Transformer de grafos multitarea para predicción de tránsito
Descubre cómo el Transformer SMT-GraphFormer predice embarques y desembarques en autobuses con precisión superior, superando modelos tabulares tradicionales. Ideal para planificación urbana.
DistMatch: Agrupación Adaptativa para Predicción Conformal Secuencial
Descubre DistMatch, nuevo método de agrupación adaptativa que mejora la robustez de la predicción conforme secuencial ante cambios de distribución.
FAiT: Transformer Invertido Consciente de la Frecuencia para Series Temporales
Descubre FAiT: supera el sesgo de baja frecuencia y modula dinámicamente frecuencias para pronósticos precisos de series temporales multivariables.
FSA: De características a dinámicas en predicción zero-shot de series temporales
Descubre FSA: método que transforma características en dinámicas para predecir series temporales nunca vistas, superando a Transformers con menos datos.
FAiT: Transformer Invertido Consciente de Frecuencia para Series Temporales
FAiT: Transformer invertido que corrige el sesgo de baja frecuencia en pronóstico de series temporales multivariadas con modulación dinámica
Regresión desbalanceada en streaming con Árboles Hoeffding
Descubre cómo la estimación de densidad kernel y el shrinkage jerárquico mejoran la regresión desbalanceada en flujos de datos continuos usando Árboles Hoeffdin
ODTQA-FoRe: dataset para preguntas tabulares y pronóstico
Descubre ODTQA-FoRe, el primer dataset para preguntas tabulares con predicción futura. TimeFore combina LLM y modelos de series temporales para pronósticos precisos en datos inmobiliarios.
VESTA: Exploración Visual con Agentes de Herramientas Estadísticas
Descubre cómo VESTA equipa agentes de IA con herramientas visuales dinámicas para explorar y refinar modelos estadísticos con mayor precisión.
EnergyMamba: modelo espaciotemporal con incertidumbre para energía
Aumenta la precisión en predicción de consumo energético en un 5% con EnergyMamba, modelo que cuantifica incertidumbre mediante grafos y estados selectivos.
SHARP: Replay Acelerado Jerárquico para Patrones Temporales No Estacionarios
Descubre cómo SHARP aprende patrones temporales no estacionarios con replay jerárquico acelerado inspirado en el sueño. Ideal para streaming.