Intervalo conforme sin entrenamiento: línea base esencial para pronósticos probabilísticos
Descubre por qué el simple intervalo ConformalNaive, sin entrenamiento, supera a métodos complejos en pronósticos de series temporales probabilísticas.
#series
Predicción de carga con zero y few shot usando LLMs
Descubre cómo Chronos, un modelo de LLMs, predice la carga eléctrica con cero o pocos datos, superando métodos tradicionales. ¡Lee más!
Aprendizaje en contexto de ecuaciones estocásticas con modelos fundacionales
Descubre cómo FIM-SDE estima con precisión funciones de deriva y difusión a partir de datos ruidosos, sin entrenamiento.
Modelos grandes para series temporales y datos espacio-temporales
Los modelos grandes de IA transforman el análisis de series temporales y datos espacio-temporales. Encuesta completa con perspectivas y recursos.
VFEM: Fusión visual para pronóstico de series temporales multivariadas
VFEM utiliza modelos de visión pre-entrenados para capturar dependencias complejas en series temporales multivariadas, logrando pronósticos más precisos.
FADTI: Imputación de series temporales multivariadas con Fourier y atención
FADTI: imputación de series temporales con Fourier y atención. Supera a modelos previos en datos faltantes. Ideal para salud, tráfico y biología. ¡Descúbrelo!
De lo grueso a lo fino: Gestión de granularidad temporal para predicción de tráfico
Aprende cómo STRP resuelve el desajuste de granularidad temporal para predicciones de tráfico precisas con bajo costo de almacenamiento.
PAI: Preservando Información de Amplitud en Detección de Anomalías
El nuevo método PAI preserva información de amplitud en representaciones, mejorando la detección de anomalías temporales. Gana hasta 98.4% en VUS-PR. Descubre cómo.
Apple retira soporte a varios Apple Watch con watchOS 27
Descubre qué modelos de Apple Watch han quedado fuera de watchOS 27 y cómo afecta a los usuarios. Conoce la lista completa de dispositivos compatibles.
Tu Apple Watch probablemente no será compatible con watchOS 27
Apple Watch Series 9 y Ultra 1 no recibirán watchOS 27. Descubre la lista completa de compatibilidad y las nuevas funciones.
Perspectiva de sistemas dinámicos para avanzar el modelado de series temporales
Descubre cómo los sistemas dinámicos mejoran el modelado de series temporales: pronósticos precisos y menor costo computacional.
Pronóstico como renderizado: Gaussian Splatting 2D para series temporales
Descubre TimeGS, un innovador marco que transforma el pronóstico de series temporales en un problema de renderizado 2D con Gaussian Splatting, logrando resultados de vanguardia.
CF-JEPA: Predicción hacia adelante sin máscara para series temporales
CF-JEPA: método sin máscara que reduce un 27% el error de pronóstico. Supera a otros en clasificación y detección de anomalías.
Geodesias de grafos dinámicos para detectar cambios de régimen
Descubre cómo las geodesias en grafos dinámicos permiten detectar cambios de régimen en redes temporales, superando métodos tradicionales. Aplicación en datos de movilidad durante la COVID-19.
Trio: Pronóstico de series temporales con atención y prioridades causales
Descubre Trio, un innovador modelo que combina atención temporal-espacial-muestral y prioridades causales para mejorar la precisión en el pronóstico de series temporales multivariables.
Predicción fotovoltaica en inicio frío con modelos base e historias sintéticas
Descubre cómo los modelos base con historias sintéticas superan hasta 2x a métodos clásicos en predicción fotovoltaica en inicio frío
Detección de cambios en sistemas dinámicos ruidosos con operadores empíricos
Descubre cómo detectar cambios en sistemas dinámicos ruidosos usando operadores de transferencia empíricos. Aprende el método con garantías de falsa alarma y aplicaciones en series temporales.
Trio: Predicción de series temporales con atención espacio-temporal y priors causales
Trio: nuevo modelo de IA para pronósticos de series temporales con atención triple y causalidad estructural. Mejora precisión en predicciones multivariadas.
Pronóstico Fotovoltaico en Frío con Modelos Fundacionales de Series Temporales
Los modelos fundacionales de series temporales con datos sintéticos basados en física mejoran el pronóstico fotovoltaico en frío hasta 2 veces. ¡Descúbrelo!
Detección de cambios en mapas ruidosos con operadores empíricos
Descubre un método para detectar cambios en la densidad invariante de mapas de intervalo ruidosos usando operadores de transferencia empíricos y regularización. Con garantías de falsa alarma.