Aprendizaje en contexto de procesos puntuales con modelos de inferencia base
Nuevo modelo de inferencia base aprende en contexto a predecir eventos temporales sin reentrenamiento, compitiendo con modelos especializados.
#tempo
Datasets de referencia para predicción lead-lag en redes sociales
Descubre los nuevos conjuntos de datos de arXiv y GitHub para predecir citas y forks a partir de interacciones tempranas. Una base empírica para el forecasting lead-lag.
Representaciones autosupervisadas de sistemas dinámicos para series fisiológicas
PULSE: aprendizaje autosupervisado que extrae representaciones de sistemas dinámicos de series fisiológicas, mejorando clasificación y transferencia.
Crea aplicaciones de streaming con estado con Spark 4.0 en EMR Serverless
Aprende a crear un monitor de latidos IoT con streaming stateful usando Spark 4.0 y transformWithState en EMR Serverless.
Inferencia Conformal Localmente Adaptativa para Modelos de Operadores
Descubre LSCI, un marco libre de distribución para generar conjuntos de predicción adaptativos y calibrados para modelos de operadores en pronósticos espacio-temporales.
Inferencia de alta dimensión para matrices de precisión espectrales dispersas
Nuevo método de inferencia para matrices de precisión espectrales dispersas en alta dimensión. Obtén estimaciones confiables y mayor potencia.
Factorización CP para series temporales tensoriales de alta dimensión y proyección doble
Aprende cómo la factorización CP y la doble proyección mejoran la estimación de cargas factoriales en series temporales tensoriales de alta dimensión.
Dinámicas de integración en RNN lineales
Aprende cómo las RNN lineales adquieren la capacidad de integrar ruido blanco, revelando la dinámica de autovalores que posibilita la memoria a largo plazo. Clave para IA y neurociencia.
Comparación práctica de Prophet, NeuralProphet, TimeGPT y Chronos
Descubre las diferencias entre Prophet, NeuralProphet, TimeGPT y Chronos. Guía práctica para elegir la mejor herramienta de forecasting para tus datos.
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.
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.
Proceso de Engagement: Interfaz Temporal Acción-Observación
Descubre cómo el Proceso de Engagement redefine la interacción temporal entre acción y observación en sistemas de IA, mejorando la adaptación en entornos dinámicos.
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.
POIs con movilidad: qué es y cómo se usa un lugar
Descubre cómo ME-POIs integra datos de movilidad humana para crear representaciones de lugares que capturan tanto su identidad como su uso real, superando a modelos tradicionales.
Video Understanding: cómo los datasets moldean los modelos
Explora cómo la estructura de los datasets impulsa el diseño de arquitecturas de video: de redes de dos flujos a modelos multimodales. Una guía para entender el
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.
SMART: Recuperación multimodal de momentos en video con audio mejorado
SMART integra audio y tokens por escena para lograr una recuperación precisa de momentos en video. Supera métodos previos con mejoras de hasta 2.59% en R1@0.7.
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!
Transformers de visión autosupervisados para detectar osteoartritis TMJ en CBCT
Descubre cómo adaptar modelos DINO de visión autosupervisada para detectar osteoartritis de la ATM en CBCT con alta precisión, incluso con pocos datos.