- 计时器:用于大规模时间序列分析的 Transformer
本研究论文致力于提出一种大规模时间序列模型 (Time Series Transformer),通过深度学习和大规模预训练,解决了小样本情境下时间序列分析中的性能瓶颈问题。
- 大型语言模型用于时间序列的研究概述
该综述论文详细探讨了利用大型语言模型进行时间序列分析的各种方法,包括直接提示、时间序列量化、对齐技术、利用视觉作为桥梁机制以及与其他工具的结合,同时提供了现有的多模态时间序列和文本数据集的综合概述,并分析了该新兴领域的挑战和未来机会。
- 非线性和无限维扩散过程的条件化
利用无限维 Girsanov 定理条件化函数值随机过程,得到调节过程的随机微分方程,并应用该技术进行进化生物学中形态的时间序列分析。
- 蒸馏增强的时间序列预测网络与动量对比学习
我们提出了 DE-TSMCL,这是一个创新的蒸馏增强框架,用于长序列时间序列预测,通过设计可学习的数据增强机制、提出具有动量更新的对比学习任务以及设计监督任务,联合优化多个任务,从而学习下游预测任务的有效表示,实验证明了 DE-TSMCL - IJCAIPatchAD:基于补丁的 MLP-Mixer 用于时间序列异常检测
PatchAD 是一种新颖的多尺度基于补丁的 MLP-Mixer 架构,利用对比学习进行表示提取和异常检测的方法,通过使用 MLP 架构,高效轻量化地实现了一种先进的异常检测方案。
- 自然语言的复杂系统方法
从复杂性科学的角度总结了自然语言研究中使用的主要方法概念,并记录了这些方法在识别语言的通用和系统特征方面的适用性。讨论了数量语言学中三个与复杂性相关的研究趋势,包括对文本中单词频率的研究、基于时间序列分析的方法应用于研究书面文本中的相关性、 - 签名遇见动态规划:推广贝尔曼方程用于轨迹跟踪
路径签名被提出作为一种强大的路径表示,能有效地捕捉路径的分析和几何特征,具有张量积快速连接路径的有用代数特性。最近,在机器学习问题中广泛采用签名进行时间序列分析。本研究通过建立问题中常用的值函数和路径签名的有趣特性之间的联系,提出了一种称为 - Series2Vec: 基于相似性的自我监督时间序列分类表示学习
时间序列分析与视觉或自然语言处理在定义有意义的自监督学习任务方面具有根本的区别。为了解决这个问题,我们引入了一种称为 Series2Vec 的自监督表示学习的创新方法,通过自监督任务在时间和频谱域中对两个序列之间的相似性进行预测,而不是基于 - 通用时间序列分析:利用预训练语言模型和特别设计的适配器
利用预训练模型并引入自定义适配器优化预训练的 transformer 模型用于时间序列分析,在多个任务中取得了卓越的性能,尤其是通过适配器微调进一步提升了性能,超过了专门用于特定任务的模型。
- 利用 Sentinel-1 SAR 数据和 AutoML 估计光学植被指数
使用合成孔径雷达(SAR)数据进行森林监测,对于解决光学数据的问题并使用机器学习估计森林的光学查找指数(VIs)表现出较好的效果,通过创建多时序和多模态数据集来进行 VI 估计,在时间和空间上与 Sentinel-1、Sentinel-2、 - 相机篡改检测中的特征类型及其贡献综述
摄像头篡改检测是通过分析视频来检测监控摄像头的未经授权和非故意修改的能力。我们将篡改检测建模为一个变化检测问题,并回顾了现有文献,重点关注特征类型。我们将篡改检测形式化为时间序列分析问题,并设计实验来研究各种特征类型的鲁棒性和能力。我们在真 - 利用机器学习和深度学习预测主要城市的温度
利用时间序列分析和机器学习算法,基于大学的温度变化数据库,我们成功预测了未来各个城市的温度变化。
- 超越相似性的学习:在自我监督时间序列学习中融入正样本对的不相似性
通过整合正样本之间的不同之处,本研究的自我监督学习方法 (DEBS) 在编码时间序列数据的固有静态特征方面表现出色,强调通过优化过程中的不同之处来实现对动态特征的更精细表达,应用于心电图 (ECG) 信号后能够显著提高房颤 (AFib) 的 - 利用时间序列分析和自然语言处理预测金融市场趋势
本研究通过时间序列分析和自然语言处理,评估了利用 Twitter 情感进行预测特斯拉、苹果等主要公司股票价格的可行性,结果表明积极性、消极性和主观性是股票价格波动的主要决定因素。该研究强调了将公众意见纳入股票价格预测的重要性,同时指出利用 - 具有贝叶斯建模的分层时间序列预测
我们专注于从贝叶斯角度进行预测调和,提出了一种方法来预测调和,并定义了具有线性结构的普通情况 - 线性高斯调和。我们在合成和真实数据集上评估了这些方法,并将它们与该领域的其他工作进行了比较。
- 癫痫预测的路径签名
通过对长期患者数据集的分析,研究人员提出了用于预测特定患者癫痫发作的统计特征的自动发现和量化方法,其中使用了现有和新颖的特征提取算法,特别是路径标识这一时间序列分析的最新发展技术。
- 通过 Floss 的频域正则化方法提升周期时间序列的表示学习
提出了一种称为 Floss 的无监督方法,通过自动在频率域中规范学习到的表示,用于捕捉时间序列中的周期性动态和改进深度学习模型。
- 二氧化碳(CO₂)的预测、捕获和利用:应用时间序列分析、机器学习和材料设计的集成
本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家(EU27&英国,意大利,德国,西班牙)和印度的电力,工业,陆上交通,国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者,并利用 L - 基于单流时间序列分析的网络流量分类
通过对单流时间序列进行时间序列分析,本文提出了一种新型流量特征的流扩展,其中 69 个通用特征基于数据点的统计分析、时域分析、流时间跨度内的数据包分布、时间序列行为和频域分析。使用 15 个公开可用的数据集,我们展示了所提出的特征向量在各种 - FITS: 使用 10k 个参数建模时间序列
通过在复频域内插值,FITS 模型丢弃对时间序列数据影响微乎其微的高频成分,从而实现与时序预测和异常检测任务中最先进模型相当的性能,且仅具约 10k 参数的轻量级,可以轻松训练和部署在边缘设备。