ImageTime: ¿Pueden los modelos de imagen imaginar el tiempo?
¿Pueden los modelos de imagen imaginar el tiempo? ImageTime lo prueba con un benchmark de consistencia espaciotemporal. ¡Entra y descubre los resultados!
#temporal
Modelo basado en Transformers para reconocimiento de emociones con EEG
Descubre EEG-TransNet, un modelo basado en Transformers que revoluciona el reconocimiento de emociones mediante señales EEG. Alta precisión y robustez.
Planificador de Difusión Forzada con Historial Recocido para Conducción Autónoma
El DFP logra trayectorias estables y seguras mediante planificación con historial recocido y guía temporal. Resultados en nuPlan.
Diffusion Forcing Planner: Planificación con Historial Annealed y Guía Temporal
Descubre cómo el Diffusion Forcing Planner logra trayectorias estables en conducción autónoma mediante guía temporal con historial annealed. Resultados en nuPlan.
Pronóstico grupal Dirichlet para evitar suavizado excesivo en series temporales
El método DGF elimina el suavizado excesivo en pronósticos de series temporales, preservando cambios bruscos y modos dinámicos. Mejora precisión y consistencia.
Pronóstico grupal Dirichlet reduce suavizado excesivo en series temporales
Descubre cómo Dirichlet-Guided Group Forecasting reduce el sobre-suavizado en series temporales, mejorando precisión y diversidad en predicciones multimodales.
Predicción de series temporales con aprendizaje multi-escala de residuos
Nuevo pipeline de dos etapas corrige residuos en predicción de series temporales. Mejora la precisión con aprendizaje multi-escala. ¡Resultados de vanguardia!
Predicción series temporales con aprendizaje de residuos multiescala
Aprende cómo un pipeline de dos etapas con aprendizaje de residuos mejora la predicción de series temporales, reduciendo sesgos. ¡Resultados de vanguardia!
Brecha modal en HAR ZSL: entrenamiento contrastivo y prototipos optimizados
Alinea sensores IMU y texto con entrenamiento contrastivo y prototipos optimizados para lograr 73% de precisión en HAR zero-shot.
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!
¿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.