time series data | BriefGPT

关键词time series data

搜索结果 - 164

时间序列基础模型综述：利用大型语言模型进行时间序列表示的泛化
对时间序列进行分析的基础模型的研究和应用，包括从头开始预训练基础模型和适应大型语言基础模型进行时间序列分析的方法，并提供了一种 3E 分析框架和一个领域分类系统来帮助该领域的发展。
PDF2 months ago
时序和时空数据扩散模型调查
本篇综述论文全面而彻底地回顾了扩散模型在时间序列和时空数据分析中的应用，通过按照模型类别、任务类型、数据模态和实际应用领域进行分类，提供了对这些模型分析和生成数据的基本了解，旨在为研究人员和从业者提供一个全面的扩散模型应用的理解，以解决传统
PDF2 months ago
用重复截面数据估计微分方程中参数的分布
利用 Estimation of Parameter Distribution（EPD）方法，通过生成合成时间轨迹、估计微分方程参数并根据不一致性的规模选择参数，实现准确分布参数的估计，从而有效解决了利用重复交叉切面数据（RCS data）
PDF2 months ago
TSLANet：重新思考时间序列表示学习的 Transformer
为了应对时间序列数据的长期和短期相关性，我们引入了一种新颖的时间序列轻量级适应网络（TSLANet），它是一种用于不同时间序列任务的通用卷积模型。我们通过引入自适应阈值、傅里叶分析和自我监督学习来增强特征表示、捕捉长期和短期交互并减少噪声。
PDF3 months ago
TS-CausalNN: 从非线性非平稳时间序列数据中学习时间因果关系
提出了一种用于时间序列数据因果关系发现的深度学习方法，该方法在非平稳性和非线性性方面具有很好的性能，并能与领域理解达成一致。
PDF3 months ago
AE SemRL：用自编码器学习语义关联规则
基于自动编码器的方法可以从时间序列数据中学习和提取关联规则，同时利用语义信息可以促进学习可推广和可解释的关联规则。实验证明，从自动编码器创建的潜在表示中可以提取语义关联规则，并且在许多情况下，该方法的执行时间比现有技术的关联规则挖掘方法快几
PDF3 months ago
使用有监督对比时间转换器进行时间序列表示学习
我们提出了一种称为 SCOTT 的简单而新颖的融合模型，用于学习标记时间序列数据的表示，通过合适的数据增强方法和 Transformer 与 Temporal Convolutional Networks 的组合，实现了全局和局部特征的高效
PDF4 months ago
通过双域匹配实现时间序列分类的数据集压缩
提出了一种名为 CondTSC 的新框架，通过在时间和频率领域匹配代理目标，结合多视角数据增强、双域训练和双代理目标，以增强时间序列分类数据压缩过程的效果，并证明其优于其他基线模型，能够学习到符合原始数据分布并表现出理想特性的压缩合成数据集
PDF4 months ago
FFAD：利用傅立叶变换和自编码器评估生成的时间序列数据的新型指标
通过使用傅里叶变换和自编码器，提出了一种新的评估基于深度学习生成的时序数据质量的方法，命名为 Fréchet Fourier-transform Auto-encoder Distance (FFAD)，该方法展示了在区分不同类别样本方面的
PDF4 months ago
通过插值进行推理：对比表示可证明地实现计划和推理
给定时间序列数据，本论文展示了如何利用对比学习获得紧凑的、闭合形式的解来回答 “未来会发生什么？” 和 “我们是如何到达这一点的？” 这些概率推断问题在高维观测时很具有挑战性。我们通过对时间序列数据应用一种变体的对比学习方法来实现这些问题的
PDF4 months ago
基于物理传感器的深度学习摔倒检测系统
基于嵌入式传感器的跌倒检测是近年来的一个实际且流行的研究方向，本文构建了一个完整的系统 TSFallDetect，利用时间序列数据提出了一个新的基于深度学习模型的跌倒预测方法，通过实证研究表明该深度学习模型在跌倒检测领域具有更多的潜在优势。
PDF4 months ago
StiefelGen：将简单通用的方法应用于黎曼流形上的时间序列数据增强
本文提出了一种方法，通过使用 Stiefel 流形的矩阵微分几何，将时间序列信号放置在流形上，并在流形上平滑扰动，以同时解决数据增强、时间序列数据和神经网络模型方面的限制。
PDF4 months ago
基于对数神经控制微分方程的李括号效应
控制微分方程的向量场描述了控制路径与解路径的演变之间的关系。神经 CDE（NCDEs）将时间序列数据视为来自控制路径的观测值，使用神经网络对 CDE 的向量场进行参数化，并将解路径用作持续演化的隐藏状态。通过引入 Log-NCDEs 方法，
PDF4 months ago
SMORE：基于相似性的高维域自适应方法用于多传感器时间序列分类
本文提出了一种资源高效的多传感器时间序列分类方法 ——SMORE，利用高维计算的高效并行操作动态定制测试时间模型，以显式考虑每个样本的域上下文来减轻域漂移的负面影响。在多种多传感器时间序列分类任务上的评估结果显示，SMORE 的准确度比现有
PDF4 months ago
AAAI拥抱黑箱：走向基于时间序列数据的因果发现基础模型
Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating th
PDF5 months ago
使用时间序列数据进行叙事可视化的特征 - 行为设计模式
使用我们提出的方法可以创建包含时间序列数据的故事化可视化。我们的方法能够为特定背景下由个体选择的动态数据构建故事化可视化，并且能够适应不同个体和背景之间的差异。
PDF5 months ago
时间序列的无法学习示例
提出了第一种针对时间序列数据的非法训练的 UE 生成方法，通过引入一种新形式的误差最小化噪声，可以选择性地应用于时间序列的特定片段，使其对 DNN 模型无法学习，同时对人类观察者不可察觉。通过对多个时间序列数据集进行广泛实验证明，该 UE
PDF5 months ago
AAAI基于神经 Granger 因果分析的微服务根本原因分析
借助神经 Granger 因果推理与对比学习，提出了一种名为 RUN 的用于根本原因分析的新方法，通过整合时间序列的上下文信息，利用时间序列预测模型进行神经 Granger 因果推理，同时结合个性化向量的 Pagerank，有效地推荐前 k
PDF5 months ago
通过增强表示编码时间统计空间先验
通过表示增强技术，我们的方法在时间序列数据建模方面取得显著成效，并在实证泛化性能方面明显优于最新的五个基准模型，可广泛应用于各种领域。
PDF5 months ago
用 Stiefel 矩阵估计弱监督的协方差矩阵对齐在脑磁应用中的应用
该研究论文介绍了一种针对目标数据集中有限标记信号的新颖时序数据域自适应技术，称为混合模型 Stiefel 自适应 (MSA)，通过利用目标域中丰富的无标记数据，建立起信号方差之间的等价对应关系，以确保有效的预测。该方法在神经科学问题中的应用
PDF5 months ago