实体
SARAF
SARAF
PulseAugur coverage of SARAF — every cluster mentioning SARAF across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新方法学习时间序列预测的预测相关性
研究人员开发了一种新的时间序列预测方法，该方法侧重于识别哪些历史数据点对未来结果最具预测性。这种称为预测相关性的方法在训练期间使用已实现的未来数据作为监督信号，来训练多层感知机（MLP）对模式检索器生成的候选进行重新排序。该方法旨在通过学习更准确的历史相关性标准来提高检索准确性，这在六个基准测试和十二个验证任务中被证明是领域相关的。
-
新研究通过新颖模型和基准推动时间序列预测发展
研究人员正在开发时间序列预测的新方法，重点是提高准确性和鲁棒性。几篇论文介绍了新颖的注意力机制和模型架构，旨在更好地捕捉复杂依赖关系（包括正负关系），并处理非平稳性和有限数据。还提出了新的基准和评估框架，以严格评估这些进展，并识别金融和一般时间序列预测中的特定失败模式。