评估多模态时间序列预测模型（MM-TSFM）的稳健性

Jun, 2024

评估多模态时间序列预测模型（MM-TSFM）的稳健性

Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens

Kausik Lakkaraju, Rachneet Kaur, Zhen Zeng, Parisa Zehtabi, Sunandita Patra...

TL;DR本文介绍了一种评估多模态时间序列预测模型的鲁棒性的评级方法，通过因果分析来理解和量化各种属性对多模态时间序列预测准确性的独立影响，并在大规模实验中应用该评级方法，以提取关于鲁棒预测模型的洞见以及其优势的背景。多模态（数值 + 视觉）预测被发现在各种情境中更准确，同时更具鲁棒性，这些研究成果为时间序列预测的利益相关者提供了对模型行为的理解，通过我们的评级方法选择适当的预测模型，从而提高决策能力。

Abstract

ai systems are notorious for their fragility; minor input changes can potentially cause major output swings. When such systems are deployed in critical areas like finance, the consequences of their uncertain behavior could be severe. In this paper, we focus on →

ai systems multi-modal time-series forecasting robustness forecasting models rating methodology

发现论文，激发创造

适应模态的时间序列预测变形器

通过开发一种名为 Modality-aware Transformer 的新型多模态变压器，我们旨在解决多模态时间序列预测的复杂挑战，并在金融数据集上进行了广泛实验，证明其优于现有方法，提供了一种新颖而实用的解决方案。

Oct, 2023

CAMul: 校准和准确的多视角时间序列预测

CAMul 是一种通用的概率多视图预测框架，可以从多种数据源中学习表示和不确定性，并以动态上下文特定方式将每个数据视图的知识和不确定性整合起来，用于精细地预测分布建模，并在多个领域的实验中验证了其超越其他最先进的概率预测模型超过 25％的精度和校准性。

Sep, 2021

基于互信息驱动的跨变量和时序建模的多元时间序列预测增强

通过引入 Cross-variable Decorrelation Aware feature Modeling (CDAM) 和 Temporal correlation Aware Modeling (TAM) 技术，本研究提出了一种新的框架，通过最小化通道之间的冗余信息并增强相关的相互信息来改进 Channel-mixing 方法，在综合测试中明显超过了现有模型。

Mar, 2024

TimeCMA: 基于 LLM 的时间序列预测协同模态对齐

基于大规模语言模型和交叉模态对齐，提出了 TimeCMA 框架，用于多变量时间序列预测，实验证明其准确性和高效性。

Jun, 2024

需求预测的多模态神经网络

通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

Oct, 2022

时间序列建模和预测入门研究

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013

基于多模态基础模型的鲁棒多模态学习

提出了一种简单而有效的框架 TRML，即利用多模态基础模型进行鲁棒多模态学习，通过生成虚拟模态替代丢失模态，并对生成和丢失模态之间的语义空间进行对齐，从而捕捉缺失模态的语义。在完整模态的情况下，我们的模型通过利用交叉模态语义空间的对齐来捕捉丢失模态的语义。实验证明我们的方法在三个多模态情感分析基准数据集 CMU-MOSI、CMU-MOSEI 和 MELD 上具有优势。

Jan, 2024

跨模态交互如何影响混合类型时间序列的深度多模态融合性能

多模态融合是混合型时间序列预测中有效融合两种数据形式的方法；本研究中，通过对多种融合方法的比较，得出不同融合策略在捕捉细粒度和粗粒度交叉模态特征方面的效果，以及交叉模态交互对融合方法性能的重要影响。

Jun, 2024

Time-MMD：一个用于时间序列分析的新型多领域多模态数据集

引入 Time-MMD，一个涵盖 9 个主要数据领域、首个多领域、多模态时间序列数据集，通过扩展单模态 TSF 到多模态，显著提高了性能。

Jun, 2024

走向可信的多模式运动预测：评估和可解释性

该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷，提出了一个新的全面评估框架，并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时，提出了附加在多模态运动预测模型上的意图预测层，以提升输出的可解释性和生成更平衡的结果。最后，通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。

Oct, 2022