REGEN: Generación Sintética de Series Temporales Multivariantes Guiada por Referencias
Descubre ReGeN, un generador que crea series temporales sintéticas de alta calidad usando referencias como andamios estructurales. Ideal para datos escasos.
#series
HyFAD: Difusión híbrida tiempo-frecuencia para imputación de series temporales
Descubre HyFAD, el modelo de difusión híbrido que revoluciona la imputación de series temporales. ¡Código abierto!
TimeClaw: agentes generalistas para series temporales contextualizadas
Descubre TimeClaw: permite a agentes de IA analizar series temporales contextualizadas con herramientas temporales. ¡Optimiza!
SVD funcional disperso para bi-clustering y tri-clustering en datos longitudinales
Descubre cómo Tri-SfSVD identifica subtipos de enfermedades complejas a partir de datos ómicos longitudinales, superando limitaciones de imputación y forma homogénea.
Predicción solar ultracorta con fusión multimodal y nubes multiescala
Descubre la red adaptativa que mejora la predicción de irradiancia solar a ultra corto plazo con imágenes de nubes.
Detección de ataques con modelos fundacionales de series temporales
Detección de ataques en sistemas ciberfísicos con TimesFM: sin modelo, zero-shot. Supera a detectores tradicionales en ataques de repetición y sigilosos.
FATE: Atención Modulada Focal para Pronóstico de Series Temporales
FATE: nuevo transformer con atención focal supera a todos los métodos en pronóstico de series temporales multivariadas para cambio climático. ¡Descubre cómo!
Avances en Procesos Puntuales Temporales: Enfoques Bayesianos, Neuronales y de LLM
Descubre los últimos avances en procesos puntuales temporales (TPP): métodos bayesianos, redes neuronales y LLMs. Aplicaciones y futuro de la modelización de eventos.
Mixer causal con clústeres para detección online de anomalías
Descubre cómo un innovador mezclador causal con clústeres mejora la detección de anomalías en tiempo real en series temporales multivariadas. ¡Más precisión y menos falsos positivos!
Detección en Línea de Anomalías con Mezclador Causal de Clústeres
Nuevo modelo de IA detecta anomalías en tiempo real en series temporales multivariadas usando clústeres y causalidad, superando a métodos tradicionales.
Descubrimiento Causal Robusto en Series Temporales Reales con Leyes de Potencia
Descubre cómo las leyes de potencia mejoran el descubrimiento causal en series temporales reales, reduciendo ruido y obteniendo inferencias fiables.
Descubrimiento Causal Robusto en Series Temporales con Leyes de Potencia
Descubre cómo un método basado en leyes de potencia extrae señales causales reales en series temporales, superando el ruido y mejorando la precisión.
Detección de anomalías en actuadores EHA con autoencoder LSTM
El LSTM autoencoder logra un 99% de precisión en detección de anomalías en actuadores EHA, reduciendo falsas alarmas. Descubre cómo.
Dos canales F-Transform para caracterización temprana en correlación iterada
El descriptor F-Transform de dos canales caracteriza trayectorias tempranas en correlación iterada con alta precisión y baja dimensionalidad.
Suavizado Exponencial de Wasserstein
El Suavizado Exponencial de Wasserstein extiende el clásico ES a series de distribuciones. Descubre cómo estimar el parámetro de suavizado y sus aplicaciones en finanzas y energía.
EVIDENT: cómo seleccionar la mejor arquitectura neural para glucosa
Descubre EVIDENT, un innovador marco de selección de arquitecturas neurales basado en evidencia para predecir glucosa con precisión incluso con datos escasos.
CausalPOI: Predicción de Check-in en POI con Arranque en Frío
Descubre cómo CausalPOI predice check-ins en nuevos POI usando grafos espacio-temporales y modelado causal. Mejora la planificación urbana con IA.
Modelos tabulares fundacionales para PHM unificado y eficiente en datos
Descubre cómo modelos tabulares fundacionales logran PHM unificado y eficiente con pocos datos, superando a métodos tradicionales en mantenimiento predictivo.
Benchmarking de predicción contrafactual en epidemias con intervenciones variables
Descubre cómo evaluamos la predicción contrafactual en epidemias con intervenciones variables. Un benchmark realista basado en datos de EE.UU. para mejorar la inferencia causal.
GenAutoML: Marco agéntico para arquitecturas dinámicas en series temporales
GenAutoML genera automáticamente arquitecturas neuronales ligeras para series temporales. Con Dyn-RevIN y <0.01ms de latencia, ideal para Edge AI. ¡Descubre más!