Seunghan Lee
PulseAugur coverage of Seunghan Lee — every cluster mentioning Seunghan Lee across labs, papers, and developer communities, ranked by signal.
-
新研究解决了时间序列预测中文本整合的挑战
两篇新研究论文解决了将文本数据与时间序列预测相结合的挑战。第一篇论文《文本真的有帮助吗？》识别出一种称为“文本坍塌”的现象，即在多模态预测中，文本信息未被充分利用。它提出了一种新方法 REST-TS，该方法迫使文本分支从数值数据留下的预测差距中学习。第二篇论文《重新思考时间序列的多模态融合》认为，朴素的融合方法是无效的，并引入了受控融合适配器 (CFA) 来选择性地将相关的文本信息整合到时间序列模型中。两篇论文都强调需要更复杂的方法来…
-
新的 RAG 方法提高了时间序列预测的准确性
两篇新的研究论文探讨了检索增强生成（RAG）在时间序列预测方面的进展。第一篇论文介绍了 SERAF，一个结合使用时间序列相似性和文本描述进行检索的框架，在多个数据集上展示了预测准确性的提高。第二篇论文 Cross-RAG 通过采用交叉注意力来关注与查询相关的样本，解决了检索数据不相关的问题，并在各种 RAG 方法和预测模型中显示出稳定性和性能的提高。
-
新研究用时序知识图谱增强大语言模型
两篇新研究论文介绍了用时序知识增强大语言模型（LLMs）的新方法。第一篇，DYNA，使用动态情景记忆网络，通过时序知识图谱增强冻结的LLMs，减少灾难性遗忘并改善时间排序。第二篇，AdaTKG，提出了一种自适应记忆系统，其中实体表示在每次交互时得到优化，从而能够持续学习并更好地推理时序知识图谱中不断演变的事件。
-
基于数据集的通道掩码增强了Transformer模型在时间序列上的性能
研究人员引入了一种称为部分通道依赖（PCD）的新方法，以改进Transformer模型在多元时间序列数据中捕获通道之间关系的方式。该方法利用特定于数据集的通道掩码，并将其集成到注意力矩阵中，以优化对通道依赖性的理解。该技术的有效性已在各种任务和模型架构中得到证明。