iTransformer
PulseAugur coverage of iTransformer — every cluster mentioning iTransformer across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的PILOT框架优化在线时间序列预测重训
研究人员开发了PILOT（Pseudo-label-Informed Learned Online Trigger，伪标签信息学习在线触发器），一个旨在优化在线时间序列预测系统重训的新型框架。该系统根据观察到的预测误差学习何时进行重训，而不是依赖漂移警报等间接指标。PILOT从未来的预测误差增加中构建伪标签，并训练一个轻量级评分器来预测该标签，使其可以作为即插即用模块用于各种预测骨干网络。在DLinear、iTransformer和T…
-
新的JEPA模型解决了跨机床工业AI迁移问题
研究人员开发了一种模式自适应动作条件JEPA（SAAC-JEPA），旨在将工业世界模型迁移到不同的数控机床之间。该模型解决了动力学差异、传感器接口和控制单元等挑战，特别是在目标机床的传感器少于源机床的情况下。虽然SAAC-JEPA在跨机床适应性方面显示出潜力，但其在目标机床上的零样本性能并未超过配备RevIN的PatchTST和iTransformer等基线模型，但其性能优于持久性模型。该研究强调，仅凭源域预测准确性不足以评估工业预测…
-
WaveHiTS模型利用小波和层次化方法增强风向预测
提出了一种名为WaveHiTS的新模型用于风向预测，该模型集成了小波变换和层次化时间序列方法。该方法将风向分解为U-V分量，并利用小波变换捕捉多尺度频率模式，有效减少了多步预测中的误差传播。在中国内蒙古的数据实验表明，WaveHiTS显著优于各种深度学习和基于Transformer的模型，RMSE值约为19.2°-19.4°，而循环模型则超过56°，在长达60分钟的预测中表现稳健。
-
新的RATL方法利用检索到的残差改进时间序列预测
研究人员开发了RATL，一种用于鲁棒多变量时间序列预测的新颖方法，该方法利用检索到的历史预测残差。与丢弃残差的传统方法不同，RATL将残差存储为特定于基础预测模型的记忆。在推理时，RATL根据当前上下文检索并组合这些残差轨迹，使用一个集感知路由器来选择和集成它们。实验表明，RATL通过提供一个用于学习反馈校正的即插即用范例，显著提高了iTransformer等基础预测器在各种基准测试上的性能。
-
新的AdaRDiff方法提高了时间序列预测的准确性
研究人员开发了一种新颖的自适应差分方法AdaRDiff，旨在改进长周期时间序列预测。该方法使用可学习的权重，通过减去加权的过去值来简化序列，稳定残差以获得更准确的预测。AdaRDiff可以作为即插即用模块集成，增强各种预测骨干网络，并在多个基准测试中取得最先进的成果。
-
神经符号框架通过可解释的 AI 预测学术风险
研究人员开发了 EduRiskX，一个新颖的神经符号框架，旨在预测在线教育中的学术风险。该系统结合了基于 Transformer 的神经网络（用于分析学生活动序列）和基于既定教育理论的 F-Logic 符号推理。在开放大学学习分析数据集 (OULAD) 上的实验表明，与最先进的模型相比，EduRiskX 在准确性和 F1 分数方面表现更优，同时还提供了可解释的、基于规则的预测解释。
-
新的多模态AI框架提高了流感预测的准确性
研究人员开发了一种新颖的多模态深度学习框架，称为双流注意力（DSA），用于提前 12 周预测流感样疾病（ILI）。该框架有效地将数值流行病学数据与新闻头条中的文本信息相结合。DSA 利用双向跨模态注意力机制，使每个数据流都能告知对另一个数据流的解释，从而与现有方法相比，预测准确性得到显著提高。
-
边缘人工智能系统MotoSafety评估两轮车碰撞风险
研究人员开发了MotoSafety，一种新颖的边缘人工智能架构，旨在评估时变压力下两轮车骑手的碰撞风险。该系统利用了大量多变量时间序列序列数据集和学习时间重要性原理。MotoSafety表现出高精度和ROC AUC，优于多个基线模型，并且在预测方面比Time-LLM和iTransformer等其他先进模型显示出显著更低的错误率。其轻量级设计和低延迟使其适合部署在低成本硬件上，潜在应用不仅限于车辆安全，还可扩展到人类活动和临床领域。
-
AI模型输出头部比骨干对金融预测更关键
一项新的研究论文表明，对于处理短期胖尾金融收益的深度预测流程而言，模型的输出头部比骨干架构更关键。通过比较四种现代骨干和三种不同输出头部进行的实验表明，使用混合密度头部而非单一高斯或点头部，在CRPS等指标上有了显著改进。虽然更换骨干的影响较小，但在高波动时期，输出头部的优势尤为明显，能更有效地捕捉尾部风险。
-
新的时间算子注意力框架增强了时间序列分析
研究人员推出了一种名为时间算子注意力（TOA）的新型框架，旨在通过解决标准注意力机制的局限性来改进时间序列分析。TOA 明确地融入了可学习的序列空间算子，能够更有效地表示对时间信号处理至关重要的符号和振荡变换。该方法旨在弥合在时间序列预测和相关任务中，简单模型与复杂 Transformer 模型之间常出现的性能差距。该框架还包括随机算子正则化，以稳定训练并防止过拟合，在集成到 PatchTST 和 iTransformer 等现有模型…
-
机器学习模型在考虑交易成本后显示出比特币交易的潜力
一篇新的研究论文探讨了使用包括XGBoost、LSTM和iTransformer在内的机器学习模型来预测比特币收益。研究发现，虽然这些模型可以产生正的毛交易表现，但在考虑交易成本后，盈利能力会丧失。然而，一个有成本意识的执行过滤器，仅在预测幅度超过阈值时进行交易，在某些配置下恢复了盈利能力，其中一种XGBoost策略产生了超过65%的年化回报。
-
HEPA架构利用自监督学习预测关键时间序列事件
研究人员开发了HEPA，一种用于预测多元时间序列数据中关键事件的新型自监督架构。该架构使用经过联合嵌入预测架构（JEPA）预训练的因果Transformer编码器来预测未来表示，使其能够从无标签数据中学习。HEPA在包括水污染和网络攻击检测在内的14个基准测试中表现出色，在标记数据量和调整参数数量显著减少的情况下，其性能优于PatchTST和Chronos-2等现有模型。
-
深度学习框架预测4G网络的自适应告警阈值
研究人员开发了一个深度学习框架，用于自动预测4G移动网络的告警阈值，旨在提高服务质量并减少不必要的工程师出勤。所提出的PCTN模型通过使用显著更少的参数并实现关键目标上的更高准确性，优于包括iTransformer在内的现有方法。该框架提供可解释的输出，允许运营商在不重新训练的情况下检查和调整学习到的策略，并设计为每日重新训练以适应不断变化的網絡状况。
-
新AI方法提升时间序列预测的准确性和可解释性
研究人员引入了几种新的时间序列预测方法，旨在提高准确性和泛化能力。MeLISA是一种无潜在变量的自回归模型，可提高回溯效率和长视界统计准确性。Temporal Functional Circuits利用Kolmogorov-Arnold Networks (KANs)为预测提供忠实且与时间相关的解释。Dynamic Pattern Recalibration (DPR)提供了一种与骨干网络无关的令牌级重新校准机制，以适应不断变化的局部…
-
DecompKAN模型提供透明、准确的长期时间序列预测
研究人员推出DecompKAN，这是一种新颖的长期时间序列预测架构，兼顾预测准确性和模型可解释性。该轻量级、无注意力机制的系统集成了趋势-残差分解、通道化切片和学习实例归一化与Kolmogorov-Arnold Networks (KANs)。KAN的边缘函数允许直接可视化学习到的1D标量函数，从而深入了解不同科学领域的复杂非线性。
-
研究人员使用 Transformer 从交互数据生成反应式人类运动
研究人员开发了基于 Transformer 的模型来生成交互场景中的人类运动，重点关注一个人的运动如何影响另一个人的运动。他们从拳击视频中创建了一个数据集，用于训练和比较简单的 Transformer、iTransformer 和 Crossformer 等模型。研究发现，一个基本的 Transformer 模型，通过添加 ID 嵌入，有效地生成了合理且具有交互意识的运动，而没有姿势崩溃，其性能优于累积错误的更复杂架构。