Moment
PulseAugur coverage of Moment — every cluster mentioning Moment across labs, papers, and developer communities, ranked by signal.
- 2026-05-24 funding Moment secured $78 million in funding to develop its AI platform for wealth management. 来源
5 天有情绪数据
-
深度学习框架提供客观性失写症检测
研究人员开发了一个深度学习框架，用于客观检测失写症，这是一种影响书写的学习障碍。该系统利用来自数位板的在线手写数据，通过两个分支进行处理：一个分支用于运动学特征，另一个分支用于从连续小波变换和格拉米角场派生的基于图像的表示。结合这些特征，特别是GAF、MOMENT和手工制作的运动学特征，与单独的方法相比，在检测失写症方面表现出更优越的性能。
-
新的MOMENT框架增强了多响应线性混合效应模型选择
研究人员推出了一种新颖的框架MOMENT，用于多响应线性混合效应模型的参数选择和估计。这种分阶段的方法利用二阶交叉矩恒等式来有效地确定随机效应协方差矩阵和固定效应系数。该方法在正半定约束下产生稀疏性，将选择问题转化为可解的凸优化任务。该过程的理论保证包括随机效应和固定效应选择一致性，模拟表明其在处理相关响应方面具有竞争力且有效，如在血液透析数据集上的应用所示。
-
LeNEPA：新的时间序列自监督学习方法减少对数据增强的依赖
研究人员推出了一种新颖的时间序列数据自监督学习方法LeNEPA，该方法不需要数据增强。LeNEPA利用因果骨干网络和下一个潜在标记预测目标，采用基于SIGReg的各向同性正则化以及用于损失计算的轻量级投影空间。在ECG数据和合成诊断语料库上的实验表明，LeNEPA能够更快地获得表示，并且即使在跨不同数据集重用其方法而不进行调整的情况下，也能保持有用的性能增益，在某些场景下优于类似的固定JEPA方法。
-
EEG基础模型受益于预训练时间序列特征提取器
一篇新的研究论文探讨了不同时间特征提取器在EEG基础模型中的有效性。该研究比较了线性基线、卷积编码器和一个名为MOMENT的预训练时间序列基础模型（TSFM）。结果表明，虽然更简单的时间表示对于运动想象任务具有竞争力，但更丰富的时间建模对于情绪识别是有益的。研究表明，预训练TSFM的通用时间序列表示可以有效地转移为EEG基础模型的冻结特征提取器。
-
时间序列基础模型通过微调显示出处理电子鼻数据的潜力
一篇新论文探讨了时间序列基础模型（TSFM）在电子鼻（E-Nose）数据上的有效性，这是一个此前未被这些先进模型充分探索的领域。研究评估了Chronos-2和MOMENT等TSFM，调查了它们为气体识别和浓度预测生成有用嵌入的能力。研究结果表明，虽然TSFM显示出潜力，但微调对于在电子鼻数据上获得满意性能至关重要，并且将TSFM嵌入与专用模型相结合可以进一步提高准确性。
-
AI 影响政治和智能手机市场，开发金融工具
根据近期新闻报道，人工智能正在影响政治言论和智能手机市场。一篇报道称 AI 正在颠覆政治现实，而另一篇则表明 AI 导致了廉价智能手机的消亡。此外，一家名为 Moment 的公司正在开发用于自动化固定收益流程的 AI 工具。
-
Moment 融资 7800 万美元用于 AI 财富管理平台
Moment 是一个面向财富管理的 AI 平台，已获得 7800 万美元融资。该公司由 Citadel Securities 的前量化交易员创立。Moment 旨在使资产管理人能够实施由 AI 驱动的交易和投资组合管理工具。