Time-MMD
PulseAugur coverage of Time-MMD — every cluster mentioning Time-MMD across labs, papers, and developer communities, ranked by signal.
-
研究质疑多模态时间序列预测模型中的文本敏感性
一篇新的研究论文质疑了文本集成在多模态时间序列预测模型中的有效性。研究发现，像Aurora、MM-TSFlib和TaTS这样的模型，其性能并没有因为文本的语义内容而显著提高。通过扰动文本数据，研究人员证明，移除一个数值列比改变或完全移除文本对模型性能的影响更大。作者已发布他们的评估工具，以协助该领域的未来研究。
-
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。
-
新框架SCENARIODIFF改进多模态时间序列预测
研究人员推出SCENARIODIFF，一个旨在通过整合文本上下文来增强多模态时间序列预测的新型框架。这种分层方法将信息组织成不同的代理：历史上下文代理用于证据提取，场景代理用于定性描述，锚点引导代理用于事件相关锚点。这些信号条件化多模态扩散Transformer，而锚点混合采样允许在不重新训练的情况下进行局部轨迹细化。在Time-MMD基准上的实验表明，SCENARIODIFF在事件驱动领域特别有效，突显了显式场景引导的好处。
-
SCENARIODIFF框架通过场景引导增强多模态时间序列预测能力
SCENARIODIFF是一个新框架，专为多模态时间序列预测而设计，在外部事件影响未来动态时尤其有效。它将来自文档的上下文信息构建为三个层次：历史证据提取、定性场景描述和稀疏锚点生成。该框架对多模态扩散Transformer进行条件化，并采用锚点混合采样（Anchor Blended Sampling）技术，无需重新训练即可进行局部轨迹优化。在Time-MMD基准上的实验表明，SCENARIODIFF在事件驱动领域表现出色，突显了显式…
-
LLM作为预测规划器框架将LLM与TSFM集成以改进预测
研究人员开发了一个名为LLM作为预测规划器（LAFP）的新颖框架，该框架集成了大型语言模型（LLM）与时间序列基础模型（TSFM）以改进预测。这种无训练方法使用LLM来指导TSFM生成的轨迹的规划过程，充当策略和价值函数。在基准数据集上的实验表明，LAFP在各种TSFM和LLM组合中始终提高了预测准确性。
-
LLM作为预测规划器框架将LLM与TSFM集成以改进预测
研究人员开发了一个名为LLM作为预测规划器（rc）的新颖框架，该框架将大型语言模型（LLM）与时间序列基础模型（TSFM）集成，以改进文本条件化预测。这种无训练方法将预测视为一个规划问题，其中TSFM生成数值续写，LLM根据自然语言上下文指导这些轨迹的选择和评估。使用Chronos和TimesFM等TSFM以及各种LLM进行的实验表明，在不同的模型组合中性能持续提升。