- 工业过程中的自动化知识图谱学习
该篇论文介绍了一种针对工业应用量身定制的从时间序列数据中自动学习知识图谱的框架,该框架通过解决工业数据固有的复杂性将其转化为知识图谱,从而提升决策制定、过程优化和知识发现;此外,它还利用格兰杰因果关系识别可以为预测模型设计提供指导的关键属性 - 通过整数规划从树集合中提取可解释规则的统一方法
从训练的树集成中提取一组优化的规则,提供给用户一个简化、可解释的模型,保留了完整模型的大部分预测能力。
- 用情景程序查询标记时序数据
确保自动驾驶车辆在道路上的安全性,模拟测试已成为道路测试的重要补充,其中对于验证 AV 行为是否与预期结果一致的需求与日俱增。本研究提出一种验证模拟时间序列故障与真实世界时间序列传感器数据一致性的方法,通过从真实世界时间序列数据集中检索故障 - 利用储层计算从时间序列中无监督提取缓慢变动系统参数动态预测未观测到的分叉
使用水库计算框架从时间序列数据中无监督地提取系统的缓慢变化参数,进而预测快速动态中未知的分岔现象。
- ICML使用频率屏蔽解释时间序列模型
该论文介绍了一种基于遮罩方法的频率和时频域解释方法 FreqRISE,它能够在多个任务中展现最佳性能,并主张时间序列的显著信息更可能局部化于频率域。
- KDD学习灵活的时间窗格兰杰因果关系,整合异质干预时间序列数据
本研究基于异质干预时间序列数据,提出了一种理论上有根据的方法,用于推断 Granger 因果结构并识别未知目标。进一步揭示了学习 Granger 因果结构与恢复干预目标之间的相互促进关系,并在比较实验中证明了我们的方法在学习干预时间序列数据 - 基于 LLM 的边缘计算设备上的时间序列数据分析知识修剪
在本文中,我们提出了知识修剪(Knowledge Pruning,KP)这一新的范式用于时间序列学习,通过对冗余知识进行修剪和提炼,我们有效地学习到了相关知识,并在资源受限的环境中取得了令人满意的性能。
- 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。
- DecoR:使用鲁棒回归解除时间序列中的混杂
通过在频域内使用鲁棒线性回归,估计由第三个未观测时间序列混淆的两个时间序列之间的因果效应。
- 一种基于语言模型的挖掘时序数据分布变化的框架
使用大型语言模型和数据源接口来探索和收集时间序列数据集的方法,扩大数据量以应对限制或缺乏关键属性的原始数据,有效补充现有数据集,尤其在数据分布变化方面。演示了通过实际示例证明了收集数据集的有效性,并展示了在这些数据集上进行微调的时间序列预测 - 利用储水池计算通过空间相关性预测远距离地区的未观测气候时间序列数据
通过两种预测方法(储水层计算和向量自回归模型)研究了远程地点的气候要素的低成本和准确预测,发现预测精度随观测地点与目标地点之间的距离降低而下降,机器学习方法可以更有效地预测远程地点的气候要素。
- ICML一种无监督的时间序列周期性源检测方法
利用无标签数据和无需自定义数据生成机制的新方法检测时间序列数据中的周期性,克服了强数据增强可能导致的表示崩溃问题,并在三个时间序列任务中相对于现有学习方法表现出 45-50% 的性能提升。
- 通过优化 LSTM 模型性能和比较分析推进金融风险预测
该研究侧重于 LSTM 模型在金融风险预测中的应用和优化,实验结果表明,经过优化的 LSTM 模型在 AUC 指数上相比随机森林、BP 神经网络和 XGBoost 都有显著优势,验证了其在金融风险预测领域的有效性和实用性,尤其是处理复杂时间 - 基于分类的时间序列数据增强方法应对太阳耀斑预测中的极端类别不平衡
本研究提出了一种用于时间序列数据的新型数据增强方法 —— 均值高斯噪声(MGN),并通过在太阳耀斑预测的多变量时间序列数据集 SWAN-SF 上使用时间序列数据的机器学习算法 TimeSeriesSVC,将 MGN 的性能与八种现有的基本数 - FTMixer:时间序列建模的频率和时域表示融合
为了捕捉局部和全局依赖关系,我们在频域和时域中引入了频域与时域混合器 (FTMixer) 来表示时间序列数据,通过频率通道卷积模块 (FCC) 和窗口频率卷积模块 (WFC) 来分别捕捉全局和局部依赖关系。同时,采用独立通道方案混合时域和频 - KDDPATE:接近感知的时间序列异常评估
评估时间序列数据中的异常检测算法是至关重要的,因为不准确的检测可能导致各种实时分析和数据驱动策略中的错误决策。我们引入了 Proximity-Aware Time series anomaly Evaluation (PATE),这是一种新 - 基于低秩适应的时间序列基础模型在领域外模态预测中的应用
通过对 Lag-Llama、MOIRAI 和 Chronos 这三个基础模型应用 Low-Rank Adaptation (LoRA) 技术,本研究探讨了在时间序列数据中使用 LoRA 对预测严重感染患者生命体征的影响,证明了 LoRA 在 - ICMLTimeX++:使用信息瓶颈学习时间序列解释
该论文从信息论的角度研究深度学习模型在时间序列数据上的解释问题,并介绍了一种新颖的时间序列可解释学习框架 TimeX++,通过实验结果证明其在解释质量方面的显著改进。
- RESTAD:基于重构和相似性的时间序列异常检测的 Transformer
Restad 是一种改进的 Transformer 模型,通过在其架构中引入径向基函数(RBF)神经元层,将 RBF 相似性得分与再构造错误相结合,从而增强对异常的敏感性。实证评估表明,Restad 在多个基准数据集上优于其他已建立的基线模 - 超树预测
本文介绍了超树的概念,并提供了将基于树的模型应用于时间序列数据的新方向。与直接预测时间序列的传统决策树应用不同,超树旨在学习目标时间序列模型的参数。我们的框架利用了增强树的基于梯度的性质,使我们能够将超网络的概念扩展到超树,并对树模型引入时