PulseAugur
中
实时 10:41:28
English(EN) Invariant Representation Learning for Source-Free Time Series Forecasting with LLM-Centric Proxy Denoising

新的TimeID框架使用LLM进行无源时间序列预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了TimeID，一个新颖的无源时间序列预测框架，该框架利用大型语言模型（LLM）在不直接访问原始源数据的情况下使模型适应新数据集。该方法通过采用双分支不变解耦特征学习和无参数代理去噪机制，解决了数据稀缺和隐私法规带来的挑战。该方法还结合了知识蒸馏来对齐预测，在真实世界数据集上展示了比现有方法更好的性能，平均均方误差（MSE）降低了10.7%，平均绝对误差（MAE）降低了9.3%。 AI

影响 这项研究可以通过在不直接访问数据的情况下调整现有模型，从而更有效地利用稀疏或对隐私敏感的时间序列数据。

排序理由 该集群包含一篇详细介绍时间序列预测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的TimeID框架使用LLM进行无源时间序列预测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Kangjia Yan, Chenxi Liu, Hao Miao, Xinle Wu, Yan Zhao, Chenjuan Guo, Bin Yang ·

    面向LLM中心代理去噪的无源时间序列预测不变表示学习

    arXiv:2510.05589v3 Announce Type: replace-cross Abstract: Effective time series forecasting enables various real-world applications, benefiting from the proliferation of mobile devices. However, the volume of time series data may vary significantly across domains due to high data…

相关实体

相关话题