ETTm1
PulseAugur coverage of ETTm1 — every cluster mentioning ETTm1 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
光谱可预测性不足以在分布偏移下进行合成预训练
一篇新的研究论文探讨了光谱可预测性（$\Omega$）匹配在机器学习模型合成预训练中的有效性，特别是在分布偏移的情况下。虽然$\Omega$匹配的预训练在受控的合成到合成场景中显示出显著的改进，但在ETtm1等真实基准上的表现却微乎其微，甚至适得其反。研究发现，仅凭$\Omega$不足以预测跨不同模型架构和数据源的有利数据迁移，这表明需要额外的信号属性才能有效选择源。
-
Naga：受吠陀数学启发的模型增强时间序列预测
研究人员推出了一种新颖的深度状态空间模型（SSM），名为 Naga，该模型利用吠陀数学的概念进行时间序列预测。该方法处理序列的双向性，并通过 Hadamard 交互进行组合，增强了模型捕获长期时间依赖关系的能力。Naga 在多个基准测试中表现出色，优于 28 种现有最先进的模型，并显示出比其他深度 SSM 方法更高的效率。
-
新的AIGS框架解决了边缘设备的在线学习挑战
研究人员开发了一个名为自适应增量门控系统（AIGS）的新框架，用于非平稳数据流的在线表示学习，特别适用于Web of Things和边缘计算等资源受限的环境。AIGS通过使用“冲击比”（Shock Ratio）将重建误差与近期数据变化进行归一化，然后驱动“连续可塑性控制器”（Continuous Plasticity Controller）来平衡学习新信息与保留历史知识，从而解决了稳定性-可塑性困境。这种闭环控制机制保持了线性计算复杂…
-
新研究质疑检索在时间序列预测中的益处 · 跟踪 2 个来源
两篇新研究论文探讨了检索增强方法在时间序列预测中的有效性。第一篇论文介绍了一种学习预测哪些历史数据点对未来预测最相关的方法，在多个基准测试中优于现有的检索规则。第二篇论文质疑了检索插件报告的持续收益，认为这种收益与操作点有关，特别是回看窗口长度与数据的主要季节性周期之间的关系。第二篇论文提出了一种状态图和预测统计量，而不是新的检索机制。
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架，用于多变量时间序列预测，旨在运行在近期含噪声的中等规模量子（NISQ）硬件上。这些框架，包括量子水库预测器（QRC-F）和变分量子预测器（VQF-F），将时间序列数据转换为量子态，并利用纠缠来捕捉变量间的依赖关系。实验表明，与经典方法相比，这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高，并可能应用于各种预测任务。
-
QuantFlow：联邦Mamba模型增强时间序列预测
研究人员推出QuantFlow，一个新颖的用于时间序列预测的联邦学习框架。该模型结合了倒序序列嵌入、双向Mamba状态空间解码器和分位数回归，以处理长序列、高维度和隐私敏感数据。QuantFlow在包括加密货币、交通和天气在内的各种数据集上表现出色，同时在去中心化部署中保持准确性，而无需集中化原始数据。该框架在可扩展和注重隐私的时间序列预测方面显示出潜力，尽管它在处理不规则信号和长周期泛化方面存在局限性。