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.
#temporal
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!
STELLAR: Aprendizaje Espacio-Temporal para Modelado de Especies
Descubre cómo STELLAR utiliza aprendizaje espaciotemporal y alineación latente para predecir especies raras y mejorar la conservación de la biodiversidad.
ActProbe: Detección temprana de fallos en políticas robóticas generativas
ActProbe detecta fallos en robots generativos antes de que sean visibles, mejorando la precisión y acelerando el entrenamiento. Aprende cómo.
De lo grueso a lo fino: Gestión de granularidad temporal para predicción de tráfico
Aprende cómo STRP resuelve el desajuste de granularidad temporal para predicciones de tráfico precisas con bajo costo de almacenamiento.
BioVid: generación autorregresiva de video con comprensión de comportamiento
Aprende cómo BioVid genera videos de comportamientos biológicos con duración natural. Mejora hasta 6x frente a métodos tradicionales.
RAG en derecho: limitaciones estructurales, temporales y causales
¿Por qué falla RAG en el ámbito legal? Conoce las limitaciones estructurales, temporales y causales y cómo evitarlas.
PAI: Preservando Información de Amplitud en Detección de Anomalías
El nuevo método PAI preserva información de amplitud en representaciones, mejorando la detección de anomalías temporales. Gana hasta 98.4% en VUS-PR. Descubre cómo.
Piensa rápido: Estimando horizontes temporales de IA sin CoT
Modelos de IA de frontera razonan sin cadena de pensamiento. Su horizonte temporal se duplica cada año. ¡Podría superar los 7 minutos en 2028!
MalTree: Rastreando la Evolución del Malware desde Embeddings a Escala
MalTree usa técnicas filogenéticas para modelar la evolución del malware con un 87% de precisión temporal. Identifica mutaciones rápidas. ¡Defensa proactiva!
ViSSRes: residuo espacio-temporal contra alucinaciones en video
Descubre ViSSRes, un método innovador que reduce las alucinaciones en modelos de video grandes usando residuos espacio-temporales. Mejora la comprensión hasta u
Perspectiva de sistemas dinámicos para avanzar el modelado de series temporales
Descubre cómo los sistemas dinámicos mejoran el modelado de series temporales: pronósticos precisos y menor costo computacional.
Pronóstico como renderizado: Gaussian Splatting 2D para series temporales
Descubre TimeGS, un innovador marco que transforma el pronóstico de series temporales en un problema de renderizado 2D con Gaussian Splatting, logrando resultados de vanguardia.
Imputación espacio-temporal con flujo guiado por grafos
Descubre GiFlow: imputación espacio-temporal con flujo guiado por grafos. Supera a los métodos tradicionales en eficiencia y precisión.
Aprende a Emparejar: Matching Bilateral con Retroalimentación Temporal Extendida
Nuevo benchmark Learn2Match usa IA para optimizar mercados de emparejamiento bilateral con retroalimentación temporal. Mejora eficiencia y reduce regret.
Marco de ventanas móviles para predecir abandono y conductas
Descubre cómo un marco de ventanas móviles logra 87.6% de precisión y 96.1% de recall en predicción de abandono. Ideal para entornos de pago por uso. ¡Lee más!