Time-series foundation model
PulseAugur coverage of Time-series foundation model — every cluster mentioning Time-series foundation model across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Anlu 方法通过反事实监督增强时间序列异常检测
研究人员开发了 Anlu，一种利用反事实监督的上下文时间序列异常检测 (TSAD) 新方法。该方法解决了异常检测的挑战，因为异常的定义可能取决于操作模式，而操作模式并非总是仅从查询中就能显现。通过使用暗示不同正常规则的查询和对比参考对来训练模型，Anlu 迫使模型依赖提供的参考，而不是简单地拟合查询。当应用于冻结的时间序列基础模型 (TSFM) 时，Anlu 将 TSB-AD-U 基准测试的平均 VUS-PR 分数从 0.542 提高…
-
IBM 与 Confluent 合作，将 AI 时间序列模型引入实时数据流
IBM 已与 Confluent 合作，将其时间序列基础模型 (TSFM) 集成到 Confluent 的实时数据流平台中。此次合作旨在使企业能够利用 AI 对实时数据流进行预测、异常检测和优化，从而减少对定制模型和广泛数据科学专业知识的需求。该集成解决方案将在 Confluent Cloud 上提供，并计划在 Confluent Platform 上为本地和混合环境提供更广泛的支持。
-
新的EncoTESS模型可高效分析恒星光变曲线以预测年龄
研究人员开发了EncoTESS，这是一种新颖的时间序列基础模型（TSFM），旨在分析来自恒星的原始TESS光变曲线数据。该模型比典型的TSFM小得多，可以在标准笔记本电脑上使用。EncoTESS能有效处理TESS数据中的常见问题，如噪声、不规则采样和数据缺失，将光变曲线编码到潜在空间中以推断恒星属性。它在预测恒星年龄方面表现尤为有效，在年轻恒星方面优于现有方法。
-
APEX模型推动无线网络预测和异常检测能力提升
研究人员开发了APEX，一种新的网络原生Transformer模型，专为无线网络运营中的时间序列预测和异常检测而设计。与通用模型不同，APEX经过了数千个无线网络的遥测数据预训练，使其能够更好地处理这类数据的独特特性。该模型有大型和边缘版本，在预测网络退化和识别异常方面显著优于现有基线，其中边缘版本提供了高效的设备端推理。
-
TSFM嵌入改进工业设备RUL预测
研究人员开发了一种新颖的方法，通过利用预训练的时间序列基础模型（TSFM）来预测工业设备的剩余使用寿命（RUL）。该方法使用Chronos-2作为固定的骨干网络提取特征，然后将这些特征输入到一个轻量级的回归神经网络中进行RUL估计。在真实世界数据上的实验表明，该方法显著优于传统基线，为工业预测性维护提供了更具数据效率和实用性的解决方案。