PulseAugur
中
实时 20:15:43
实体 University of East Anglia

University of East Anglia

PulseAugur coverage of University of East Anglia — every cluster mentioning University of East Anglia across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
4
90 天内 9
发布 · 30天
0
90 天内 0
论文 · 30天
4
90 天内 9
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 10 条
  1. RESEARCH · CL_369316 ·

    人工智能协助数学家解决黎曼猜想,人类证明也随之出现

    在Anthropic工作的数学家Levent Alpöge声称解决了已有167年历史的黎曼猜想,该问题被认为是数学中最重要的问题之一。Alpöge在过程中利用了人工智能,特别是提到了Claude模型,并将其描述为与人工智能进行了一次“意识流漫步”。该证明已在开源证明验证语言Lean中正式化,数学家们目前正在审查这个复杂的论证。与此同时,另一位数学家Alessandro Masullo在十二年内开发的关于广义黎曼猜想的人类独立证明也已发…

  2. RESEARCH · CL_312548 ·

    时间序列基础模型显示出比随机初始化略有优势

    两篇新研究论文探讨了基础模型在时间序列分类中的有效性。第一篇论文质疑预训练权重的贡献,发现在 UEA 数据库上,其优势仅略高于随机初始化模型。第二篇论文提出了一种将 TS2Vec 模型转化为基础模型的方法,在 UCR-128 和 UEA-27 基准测试中取得了有竞争力的结果,且不依赖于注意力机制或补丁分词器。

  3. TOOL · CL_301267 ·

    TIDES模型增强了选择性SSM中不规则时间序列的处理能力

    研究人员推出了一种新的选择性状态空间模型变体TIDES,旨在改进对不规则时间序列数据的处理。与Mamba等现有选择性SSM不同,后者学习与物理时间偏离的依赖于输入的时步,TIDES则保持一致的时步,从而能够原生处理不规则时间戳。这种方法在保留选择性模型每个token的表达能力的同时,在时间序列分类和ODE回归等基准测试中取得了更好的性能,尤其是在处理不规则时间戳的数据集时。

  4. TOOL · CL_288078 ·

    TIDES模型在状态空间模型中改进了不规则时间序列处理

    研究人员推出了一种新颖的选择性状态空间模型(SSM),名为TIDES,旨在有效处理不规则时间序列数据。与Mamba等现有模型不同,Mamba学习的步长偏离物理时间,而TIDES保持的步长等同于物理时间间隔。这是通过将输入依赖性转移到对角线状态矩阵来实现的,从而无需牺牲每个token的表达能力即可原生处理不规则时间戳。TIDES在Fading Flash实验基准、UEA时间序列分类和Physiome ODE回归等基准测试中表现出色,在原…

  5. TOOL · CL_268946 ·

    Progressive Memory Transformer 通过多尺度注意力增强时间序列分析

    研究人员推出了一种新颖的 Progressive Memory Transformer (PMT) 架构,旨在通过显式利用多尺度的分层结构来增强时间序列分析。与通常依赖全局或有限局部监督的现有方法不同,PMT 包含一种记忆感知注意力机制。这使其能够更有效地捕捉时间序列数据的细粒度变化、中程模式和全局属性。在各种基准测试上的评估表明,PMT 在低标签分类和预测任务中表现更优,表明其能够学习局部、中程和全局层面的鲁棒表示。

  6. TOOL · CL_200095 ·

    新的INSHAPE框架为时间序列分类提供实例级可解释性

    研究人员开发了INSHAPE,一种新颖的可解释时间序列分类框架。与以往关注群体级模式的方法不同,INSHAPE识别特定于每个时间序列的判别性时间模式。这些实例级形状元被建模为不重叠的片段,捕捉时间依赖性和交互作用,以提高性能和清晰的解释。该框架还将这些实例级模式聚合为原型化的、群体级的形状元,从而弥合了局部和全局可解释性之间的差距。在众多基准数据集上的实验表明,INSHAPE在预测准确性和其见解的直观性方面均优于现有的基于形状元的方法。

  7. TOOL · CL_193487 ·

    新的FreSH框架增强了多元时间序列分类能力

    研究人员开发了FreSH,一个用于多元时间序列分类的新型框架,解决了类别不平衡和计算效率等挑战。FreSH采用频率分割、分层、多专家方法来分析多尺度时间信号,实现自适应和协调建模。该方法结合了局部专业化和整体上下文,在不显著增加计算开销的情况下增强了表示能力。在30个基准数据集和真实世界振动数据上的广泛测试表明,FreSH在准确性方面持续优于现有方法,同时减小了模型尺寸并提高了效率。

  8. TOOL · CL_44893 ·

    新PDFTime框架提升时间序列分类准确性

    研究人员推出了一种新颖的PDFTime框架,旨在提高多元时间序列分类的准确性和可解释性。该方法通过利用学习到的原型来逼近潜在空间中的类别分布,从而摆脱了直接的特征到标签的映射。PDFTime将分类重新构建为一个多阶段过程,通过不同粒度的子任务实现渐进式判别,并在众多基准测试中展现了最先进的性能。

  9. TOOL · CL_40755 ·

    新的INSHAPE框架提供可解释的时间序列分类

    研究人员推出了一种新颖的可解释时间序列分类框架INSHAPE。该方法发现特定于单个时间序列的可变长度时间模式,并对其依赖关系和交互进行建模。INSHAPE旨在通过提供可聚合为群体级见解的实例级解释来提高预测性能和透明度。在大量基准数据集上进行的实验表明,INSHAPE优于当前最先进的基于形状元的_技术。

  10. TOOL · CL_15462 ·

    LLM Agents 通过上下文推理实现无训练时间序列分类

    研究人员开发了 FETA,一个新颖的多智能体框架,用于使用 LLM 进行无训练时间序列分类。该方法将时间序列数据分解为特定通道的问题,检索相似的标记示例,并使用推理 LLM 将查询数据与这些示例进行分类。FETA 旨在通过避免预训练或微调来提高效率和可解释性,并在基准数据集上展示了具有竞争力的准确性,优于几个训练过的基线。