PulseAugur
中
实时 09:44:31
English(EN) TimeRLM: Recursive Language Models Enable Precise Anomaly Localization in Long-Context Time-Series

TimeRLM 使用递归语言模型实现精确时间序列异常检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 TimeRLM，这是一种新颖的递归语言模型，旨在提高长上下文时间序列数据中异常定位的准确性。通过使模型能够通过代码和视觉能力与数据进行交互和操作，该方法解决了传统时间序列语言模型在扩展上下文中的性能下降问题。TimeRLM 在名为 AnomalyXL 的新基准测试中显著优于现有方法，展示了卓越的定位和分类准确性，并在真实世界数据集上显示出潜力。 AI

影响 增强了长上下文时间序列数据的异常检测能力，这对于跨各行业的监控应用至关重要。

排序理由 该集群包含一篇详细介绍时间序列分析新模型和基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

TimeRLM 使用递归语言模型实现精确时间序列异常检测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Nicolas Zumarraga, Lorenzo Steno, Ning Wang, Max Rosenblattl, Thomas Kaar, Maxwell A. Xu, Kevin O'Sullivan, Markus Kreft, Elgar Fleisch, Paul Schmiedmayer, Patrick Langer, Robert Jakob ·

    TimeRLM: Recursive Language Models Enable Precise Anomaly Localization in Long-Context Time-Series

    arXiv:2608.03391v1 Announce Type: new Abstract: Precise anomaly localization over long-context time series is a crucial task in monitoring applications across clinical care, industrial operations, financial services, and logistics, where brief evidence may hide inside long spans …

相关实体

相关话题