CITRAS-FM: Modelo Fundacional Pequeño para Pronóstico con Covariables
CITRAS-FM: modelo tiny de 7M parámetros para pronóstico zero-shot con covariables. Precisión de vanguardia con inferencia en CPU en tiempo real. ¡Descúbrelo!
#tempo
¿Ayudan realmente los Transformers en la detección de intrusiones?
Un estudio revela que el método de padding, y no la arquitectura, determina el éxito de los Transformers en detección de intrusiones. Descubre cómo la evaluación sesgada infla los resultados.
FreshRetailNet-LT: Dataset de demanda censurada con desabastecimientos
Descubre FreshRetailNet-LT, el primer dataset con datos de demanda censurada y desabastecimientos para mejorar la previsión en retail fresco.
Predicción conforme en línea basada en optimización para pronósticos multi-paso
Descubre O2CP, un marco de predicción conforme online que optimiza intervalos multi-paso, logrando cobertura garantizada y menor desperdicio. Ideal para series temporales en IA y cloud.
CITRAS: Transformador con covariables para pronóstico de series temporales
Descubre cómo CITRAS, un Transformer con covariables, mejora el pronóstico de series temporales integrando datos pasados y futuros. Aumenta la precisión con atención cruzada.
AnomaMind: Detección anomalías temporales con razonamiento con herramientas
AnomaMind detecta anomalías temporales con razonamiento aumentado por herramientas. Mejora precisión y generalización en múltiples dominios.
Red Neuronal de Grafos con Atención Espacio-Temporal: Explicando Causalidades
STA-GNN: detección explicable de anomalías en ICS usando atención espacio-temporal. Control de falsos positivos y adaptación a derivas.
Modelo convolucional profundo e interpretable para series temporales complejas
Descubre DCIts, un modelo de deep learning interpretable que analiza series temporales multivariantes no lineales, revelando interacciones causales a nivel local.
Modelo generativo profundo para el comportamiento de movilidad humana
Descubre cómo MobilityGen, un modelo generativo basado en difusión, simula patrones de movilidad humana realistas y analiza el acceso urbano y la segregación social.
MemCast: Pronóstico de series temporales con razonamiento basado en experiencia
Descubre MemCast, un innovador marco de predicción de series temporales que utiliza memoria jerárquica y razonamiento basado en experiencia para mejorar la precisión y adaptarse continuamente.
Mezcla, no elijas: composición de corpus sintético para series temporales
Descubre: mezclar generadores sintéticos supera a seleccionar el mejor en preentrenamiento. La composición del corpus es clave.
LMT: Descubrimiento causal en alarmas textuales de fabricación
Aprende cómo el marco bayesiano LMT combina LLMs y datos temporales para descubrir relaciones causales en alarmas de fabricación.
SPDM: Modelado con restricciones de variedad para series temporales
Descubre SPDM, un modelo con restricciones de variedad para pronóstico preciso y eficiente de series temporales.
¿Importa la normalización en modelos causales grandes de series temporales?
Evaluamos el impacto de distintas normalizaciones en modelos causales de series temporales con transformers. Resultados clave para forecasting.
Evaluación de peligro sísmico espacio-temporal con VQ-VAE y SSFs
Descubre cómo un modelo híbrido VQ-VAE y características estadísticas mejora la predicción sísmica localizada en Japón, superando métodos tradicionales.
Predicción Adaptativa de Tensores para Datos en Streaming
Nuevo marco de regresión tensorial adaptativa para predicción en streaming: modelos MoM y ToM con SGD. Reduce errores y mejora el filtrado de ruido en datos de alta dimensión.
Predicción de Calidad en Manufactura Aditiva 3D con Transformador de Grafos
Un transformador de grafos espaciotemporal modela interacciones 3D en manufactura aditiva para predecir y mejorar calidad de piezas metálicas. ¡Lee más!
Redes Neuronales Temporales Sheaf con Transporte Ortogonal Dinámico
Descubre cómo las redes neuronales sheaf temporales mejoran la predicción de enlaces en grafos con evolución temporal, usando marcos ortogonales dinámicos y transporte local.
Haciendo Editable el Tiempo en Transformers de Difusión de Video
Descubre cómo un nuevo método permite editar el tiempo en videos generados por IA, controlando velocidad y estructura sin rediseñar el modelo.
Aprendizaje exacto de vecinos cercanos en series temporales financieras de alta frecuencia
Descubre cómo Mojo SIMD k-d tree logra aceleraciones de hasta 43.5x en búsqueda exacta de vecinos cercanos para datos financieros de alta frecuencia, manteniendo precisión.