Mase
PulseAugur coverage of Mase — every cluster mentioning Mase across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究人员探索在循环TSFM中使用初始状态进行条件设置
研究人员探索了利用循环时间序列基础模型（TSFM）的初始状态作为条件接口，而不是按照惯例将其留空。一项使用基于xLSTM的TiRex模型的案例研究表明，将输入窗口的学习到的频谱摘要注入初始状态可以提高准确性。进一步的实验表明，将状态用作每个数据集的适应表面或作为外源文本信息的通道，也能带来微小但可衡量的改进，有时在与LoRA适配器结合使用时，其效果甚至超过了完全微调。
-
新的TRACE-CASH方法优化时间序列预测配置
研究人员开发了TRACE-CASH，一种用于优化时间序列预测任务中配置的新型强化学习方法。该方法结合了模型选择和超参数优化，解决了时间序列CASH（TS-CASH）中固有的时间选择和昂贵评估的复杂性。在41个数据集频率任务变体上，TRACE-CASH在MASE和WQL指标上均取得了最低的平均排名，表现优于其他六种搜索方法。
-
TimesFM 2.5 凭借新功能增强时间序列预测能力
时间序列预测模型 TimesFM 2.5 已更新，加入了用于端到端工作流开发的先进功能。新版本支持回测、协变量集成、异常检测和可扩展部署。用户现在可以使用各种指标评估预测质量，并在不同场景下测试模型的鲁棒性，包括长周期预测和输入变化。
-
大语言模型驱动结构化数据的自动化特征工程
研究人员开发了进化特征工程（EFE），一个利用大语言模型（LLMs）自动发现结构化数据预处理转换的新框架。EFE将这些转换表示为Python程序，能够无缝集成到现有的机器学习管道中。该框架利用数据集上下文、汇总统计和下游性能反馈来优化候选程序。EFE在时间序列预测中已取得成功，使用Chronos-2等模型将误差降低了3%或更多；在表格预测中，它能够演化出紧凑、可解释的特征程序，其性能与现有的基于LLM的方法相当或更优。