Etruscan
PulseAugur coverage of Etruscan — every cluster mentioning Etruscan across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
人工智能协助语言学家在破译Linear A方面取得潜在突破
一位人工智能工程师声称在破译Linear A方面取得了重大突破。Linear A是克里特岛青铜时代米诺斯文明的一种未被破译的文字。该工程师使用人工智能驱动的脚本来检验一个假设，即祈祷铭文中的一个词源自闪米特语词根。据报道，这种方法使得40个符号得以赋值并编纂了词汇表，表明Linear A属于闪米特语系。虽然人工智能在检验假设和处理数据方面发挥了作用，但最初的创意构想源于人类工程师。
-
新的MSC-OT架构增强了多元时间序列预测能力
研究人员推出了一种名为MSC-OT的新型架构，用于分析多元时间序列数据。该方法结合了多尺度卷积和最优传输注意力机制，并采用反向嵌入策略来更好地捕捉跨变量关系。MSC-OT架构通过多尺度卷积增强注意力分数，并采用Sinkhorn最优传输实现信息流的平衡。在ETT、Electricity和Traffic等数据集上的实验证明了其在短期和长期预测任务中的有效性。
-
Diffusion-LLM 将扩散模型与 LLM 集成，实现鲁棒的时间序列预测
研究人员开发了一个名为 Diffusion-LLM 的新框架，该框架集成了条件扩散模型和大型语言模型（LLMs），用于时间序列预测。该方法旨在通过实现校准概率建模和更好地对齐异构表示来解决标准 LLM 在处理多模态数据方面的局限性。Diffusion-LLM 框架在 ETT、Weather 和 ECL 等多个基准的超长期和少样本预测任务上表现出改进的性能，展示了增强的鲁棒性和泛化能力。
-
新的MetaAdamW优化器使用自注意力实现自适应学习率
研究人员开发了MetaAdamW，这是一种新颖的优化器，通过采用自注意力机制来增强自适应学习率和权重衰减。这种基于Transformer的方法根据统计特征动态调整不同参数组的超参数，旨在克服AdamW等优化器中统一设置的局限性。跨不同任务的实验表明，MetaAdamW的性能持续优于AdamW，缩短了训练时间或提高了性能。
-
MSMixer模型通过多尺度时间混合增强长期时间序列预测能力
研究人员推出MSMixer，这是一种新颖的多尺度MLP架构，专为长期时间序列预测而设计。该模型使用并行分支同时处理不同时间分辨率（1x、4x和16x）的数据，并通过可学习的门控动态加权其输出。MSMixer还集成了DLinear捷径以捕捉更广泛的趋势和季节性信息，在ETT基准测试中取得了强大的性能，并且参数量远少于基于Transformer的模型。