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.
1 天有情绪数据
-
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。
-
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。
-
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。
-
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。