TSB-AD-U
PulseAugur coverage of TSB-AD-U — every cluster mentioning TSB-AD-U across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究解决时间序列AI模型的上下文学习问题
研究人员正在探索改进时间序列基础模型（TSFMs）的上下文学习能力的方法。一篇新论文研究了Chronos-2、TimesFM-2.5和TabPFN-TS等模型如何处理反事实输入，发现一些模型是无记忆的或会削弱动态，导致预测不准确。该研究提出在合成数据上对这些模型进行微调，以增强它们表示和预测系统动态的能力，在某些任务上显示出更高的敏感性和性能，尽管在单变量预测能力上有所权衡。
-
Tabby：开源时间序列基础模型发布
研究人员发布了Tabby，一个开源的概率性时间序列基础模型，专为长上下文设计。Tabby采用仅编码器的patch Transformer架构，并在多样化的真实世界和合成数据集语料库上进行了训练。该模型支持多种下游任务，包括预测、分类和异常检测，在多个基准测试中取得了具有竞争力的零样本性能。这一进展符合创建大型语言模型之外的基础模型的更广泛趋势，将其能力扩展到时间序列等结构化数据。
-
利用频域证据增强LLM在时间序列异常检测中的性能
研究人员开发了一个新的框架，用于时间序列异常检测，该框架利用大型语言模型（LLMs），并将频域证据与传统时域数据相结合。这种方法称为AnomLLM，利用快速傅里叶变换（FFT）提取全局和局部频谱信息，从而揭示时间结构的变化，如周期性偏移或局部波动。实验表明，这种证据增强的方法在测试InternVL2-LLaMA3-76B、Qwen2.5-VL-72B-Instruct、Gemini-2.5-Flash和GPT-4o等模型时，提高了基于…