Codificación Byte Pair para Pronóstico Eficiente de Series Temporales
Mejora un 40% el pronóstico de series temporales y acelera el rendimiento un 2314% con tokenización Byte Pair. Decodificación condicional sin coste.
#tempo
Optimización Adaptativa Humana para Pronósticos de Series Temporales
Optimiza pronósticos de series temporales con correcciones adaptativas y humanos en el bucle. Mejora precisión sin reentrenar, usando IA.
VMDNet: Predicción de demanda eléctrica sin fuga temporal
Mejora la precisión en predicción de demanda eléctrica con VMDNet, evitando fuga temporal mediante descomposición variacional y TCN.
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.
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.
Tempora: Evaluando la utilidad temporal de la adaptación en tiempo de prueba
Descubre cómo Tempora evalúa la adaptación en tiempo de prueba bajo presión temporal. Conoce métricas para elegir el mejor método según latencia y precisión.
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.
SpeedAug: Aceleración de Políticas con Tempo y RL
SpeedAug acelera políticas robóticas con RL: aumenta 1.8x el rendimiento en solo 16 minutos de interacción sin comprometer la tasa de éxito.
De Segmentos a Escenas: Comprensión Temporal en Conducción Autónoma
Conoce el benchmark TAD para conducción autónoma. Scene-CoT y TCogMap mejoran la comprensión temporal de VLMs hasta un 17.72% sin entrenamiento.
FastSLM: Abstracción Temporal Jerárquica para Audio Largo
Descubre FastSLM: comprime audio largo al 1.67 tok/s, reduce 97% tokens sin perder contexto. Optimiza tus MLLMs.
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%.
Aprendizaje por refuerzo multiobjetivo para decisiones tácticas en camiones
Descubre cómo el aprendizaje por refuerzo multiobjetivo optimiza seguridad, eficiencia y costes en camiones autónomos con frontera de Pareto.
Seguridad en agentes de IA: guía práctica para desarrolladores
El 45% de las empresas lucha por asegurar sus agentes de IA. Aprende a implementar las 4 capas de seguridad críticas: aislamiento, control, identidad y monitoreo.
Escalado temporal universal de 1/3 en distribuciones puntiagudas
El entrenamiento de LLMs converge lentamente por una razón fundamental: softmax y entropía cruzada generan un escalado de pérdida universal 1/3. Descubre las implicaciones.