Does Joint-Embedding Predictive Architecture Pretraining Help Time Series Forecasting?
本研究大规模评估JEPA预训练在九种骨干网络和十一个基准上的效果,发现其收益因架构而异,既有增益也有退化,表明该变异性是普遍属性,选择骨干网络时需考虑。
2026-09-29 cs.AI cs.LG stat.ML
Bayesian Feature Selection in Joint Quantile Time Series Analysis
Department of Statistics, Texas A\&M University, College Station, TX. e1
针对多元时间序列分位数特征选择难题,提出QFSTS模型,采用贝叶斯降维与分位数回归,实现高效特征选择与预测,性能优越。
2023-08-29 cs.LG math.ST stat.ML
Joint Estimation of Multiple Graphical Models from High Dimensional Time Series
在这篇手稿中,我们考虑的问题,联合估计多个图形模型在高维。我们假设从n个受试者中收集数据,每个受试者由T个可能相关的观测值组成。受试者的图形模型各不相同,但假设其根据受试者之间的亲密程度平滑变化。我们提出了一种基于核的方法,联合估计所有的图形模型。理论上,在(T,n)和维数d都可以增加的双重渐近框架下,给出了参数估计的显式收敛速度.它表征了不同个体之间可以借用的强度以及数据依赖性对参数估计的影响。实验结果表明,该方法在合成和真实静息态功能磁共振成像(rs-fMRI)数据上都能有效地识别出目标。
2014-10-08 stat.ML
LaT-PFN: A Joint Embedding Predictive Architecture for In-context Time-series Forecasting
WAIR, Amsterdam(阿姆斯特丹WAIR公司)
LaT-PFN 结合 PFN 与 JEPA 框架,在潜在空间进行上下文学习,利用相关序列和归一化时间轴实现零样本时间序列预测,优于基线并产生信息丰富的嵌入。
2024-05-22 cs.AI cs.LG stat.ML
"The Squawk Bot": Joint Learning of Time Series and Text Data Modalities for Automated Financial Information Filtering
IBM Research(IBM研究院)
使用数值时间序列和文本语料库作为输入数据源的多模态分析正在成为一种有前途的方法,特别是在金融行业。然而,这种分析的主要重点是实现高预测精度,而很少的努力已经花在理解两种数据模式之间的关联的重要任务。因此,尽管人类可以理解的文本信息是可用的,但对时间序列的性能几乎没有解释。在这项工作中,我们解决的问题,给定一个数字的时间序列,和一个一般的语料库的文本故事收集在同一时期的时间序列,任务是及时发现一组简洁的文本故事与该时间序列。为了实现这一目标,我们提出了一种称为MSIN的新型多模态神经模型,该模型联合学习数值时间序列和分类文本文章,以挖掘它们之间的关联。通过两种数据模式之间的多个数据相关步骤,MSIN学会关注与时间序列中的性能最匹配的文本文章的一小部分。这个简洁的集合被及时发现并作为推荐文档呈现,作为给定时间序列的自动信息过滤。我们实证评估了我们的模型在发现来自苹果和谷歌公司的两个股票时间序列的相关新闻文章方面的表现,以及连续七年从汤森路透收集的每日新闻文章。实验结果表明,MSIN在两个检查时间序列中分别达到84.9%和87.2%的地面真相文章召回率,远远优于依赖于深度学习中传统注意力机制的最先进算法。
2019-12-20 cs.CL cs.LG q-fin.ST
Joint Modeling of Multiple Related Time Series via the Beta Process
我们提出了一个贝叶斯非参数方法来联合建模多个相关的时间序列的问题。我们的方法是基于一组潜在的,共享的动力学行为的发现。使用beta过程先验,集合的大小和共享模式都是从数据中推断出来的。我们开发了有效的马尔可夫链蒙特卡罗方法的基础上,印度自助餐过程表示的预测分布的β过程,而不依赖于截断模型。特别是,我们的方法使用的和-积算法来有效地计算大都会黑斯廷斯接受概率,并通过出生和死亡的建议,探索新的动力学行为。我们研究了我们提出的基于特征的模型在几个合成数据集上的好处,并在视觉运动捕捉数据的无监督分割上展示了有希望的结果。
2011-11-17 stat.ME stat.ML
Joint modeling of multiple time series via the beta process with application to motion capture segmentation
我们提出了一个贝叶斯非参数方法来联合建模多个相关的时间序列的问题。我们的模型发现了一组潜在的动态行为之间共享的序列,并分段每个时间序列到这些行为的子集所定义的区域。使用beta过程先验,行为集的大小和共享模式都是从数据中推断的。我们开发的马尔可夫链蒙特卡罗(MCMC)方法的基础上,印度自助餐过程表示的预测分布的β过程。我们的MCMC推理算法通过新颖的拆分-合并移动以及数据驱动的出生和死亡建议有效地添加和删除行为,避免了考虑截断模型的需要。我们在人体运动捕捉数据的无监督分割方面取得了可喜的成果。
2014-11-13 stat.ME stat.ML
Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series
本文扩展 dHSIC,提出适用于平稳与非平稳多元时间序列的基于核的联合独立性检验,并通过重采样在合成及真实数据中验证其高阶依赖发现能力。
2023-11-02 math.ST stat.AP stat.ME
Nonparametric data segmentation in multivariate time series via joint characteristic functions
提出非参数方法NP-MOJO,利用联合特征函数检测多元时间序列中边际分布及非线性序列依赖的变点,无需预设变化类型,理论一致且在地震与经济数据中表现良好。
2025-08-05 stat.ME
Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies
University of Oxford(牛津大学);Oxford-Man Institute of Quantitative Finance(牛津-曼氏量化金融研究所)
提出 Spatio-Temporal Momentum 神经网络框架,统一时间序列与横截面动量信号,并在美股和股指期货回测中于高交易成本下展现稳健优势。
2023-02-20 cs.LG q-fin.PM q-fin.TR
A factor model approach for the joint segmentation with between-series correlation
我们考虑相关时间序列的分割,允许相关性采取任意形式,但在每个时间位置相同。我们表明,在因子模型中编码的依赖关系,使我们能够使用动态规划算法的断点的推理,这仍然是最有效的算法之一。我们提出了一个模型选择过程来确定断点的数量和因子的数量。所提出的方法在FASeg R包中实现,该包可在CRAN上获得。我们通过模拟实验证明了我们的程序的性能和应用程序的大地测量数据。
2018-07-17 stat.ME
A Statistical Simulation Method for Joint Time Series of Non-stationary Hourly Wave Parameters
许多海岸和近海工程应用需要波浪参数的统计模拟时间序列,通常分辨率约为1小时。各种研究都依赖于自回归移动平均(ARMA)过程来模拟蒙特卡罗意义上的合成系列波参数。然而,准确地表示系列间的依赖性仍然是一个挑战。特别是,波高和周期统计之间的关系是复杂的,由于限制陡度条件。本文提出了一种新的有效波高、平均过零周期和一个方向型变量联合时间序列的模拟方法。后者区分北部和西南部波。该方法依赖于几个模型组件,其中包括更新过程,傅立叶级数与随机系数,ARMA过程,Copula和状态切换。一个特殊的功能是一个数据驱动的估计波高相关的限制波陡度条件,这是用来促进copulabased依赖建模。该方法的开发和应用于在北海南部的数据集。对于该站点,该方法可以模拟具有真实年周期和年际变化的时间序列。在时间序列数据中,有效波高和平均过零周期的双变量分布得到了很好的体现。也可以对方向性状态对双变量分布的影响进行建模。然而,在模拟数据中的影响并不像在观测数据中那么强。最后,模拟序列很好地捕捉到了风暴事件的持续时间和到达间隔时间。模拟方法输出的潜在应用范围从沿海风险评估或沿海结构设计到近海作业的规划和预算。
2018-10-29 stat.AP
Comparative analysis of time irreversibility and amplitude irreversibility based on joint permutation
虽然时间不可逆性(TIR)和振幅不可逆性(AIR)是非平衡分析的相关概念,但它们之间的联系很少受到关注。本文基于统计描述和数值模拟,对TIR与AIR的关系进行了系统的对比分析。为了简化TIR和AIR的量化,将相关向量的幅度排列和全局信息组合以产生联合概率估计。根据代理理论,生成混沌Logistic、Henon和Lorenz序列,计算TIR和AIR,并测量这些模型序列的联合排列分布,比较TIR和AIR的程度.联合排列TIR和AIR,然后用于研究癫痫脑电图数据中的非平衡病理特征。实验结果表明,癫痫患者的脑电活动,特别是发作期的脑电活动,具有高度的非平衡性。根据混沌模型数据中的统计定义和有针对性的联合排列对,TIR和AIR分别与时间和幅度可逆性是根本不同的非平衡描述符,因此需要不同形式的数值分析。与此同时,TIR和AIR都提供了与非平衡过程相关的波动定理的度量,并且在用于分析模型系列和真实世界信号时,在联合排列对和一致结果方面具有相似的概率差异。总体而言,TIR和AIR的比较分析有助于我们理解非平衡特性,并扩大了定量非平衡措施的范围。此外,联合排列的构造有助于符号时间序列分析的发展。
2022-10-15 nlin.CD stat.CO
Semiparametric mean and variance joint models with Laplace link functions for count time series
针对计数时间序列条件方差难以独立建模的局限,提出 RRC-GARCH 半参数均值与方差联合模型,利用 Laplace 链接函数灵活捕捉均值-方差结构,证明了其理论性质,并通过模拟与真实数据验证了其预测准确性。
2024-04-29 math.ST stat.ME stat.TH
Estimation of connectivity measures in gappy time series
提出了一种计算含间隙的多元时间序列连通性测度的新方法。不是移除或填充间隙,而是移除包含空条目的联合数据矩阵的行,并在余数矩阵上进行计算。该方法被称为测量自适应间隙去除(MAGR),可以应用于任何使用联合数据矩阵的连接性测量,例如互相关,互信息和传递熵。MAGR是有利的比较,使用这三种措施,一些已知的间隙填充技术,以及间隙闭合。在综合系统的时间序列和金融时间序列上说明了MAGR的优越性。
2015-04-29 math.ST physics.data-an q-fin.ST
Joint parametric specification checking of conditional mean and volatility in time series models with martingale difference innovations
利用累积残差过程,我们提出了联合拟合优度检验的条件均值和方差函数的背景下,非线性时间序列与鞅差的创新。主要的挑战来自这样一个事实,即累积残差过程不再承认,在原假设,分布自由的限制。为了获得一个实际的解决方案,一个变换的过程,以实现一个分布自由的限制或近似的非分布自由的限制使用数值或重新采样技术。在这里,三个解决方案将被考虑。它表明,所提出的测试有非平凡的权力对一类root-n本地的替代品,是合适的条件信息集是无限维的,这使得包括模型,如自回归条件异方差随机模型与相关的新息。所提出的方法只假设一阶和二阶条件矩的某些条件,而不施加任何自回归模型。介绍的测试程序进行了比较,彼此之间和与其他竞争对手在他们的权力,使用模拟研究和真实的数据应用。这些模拟表明,基于原始统计量的重新采样或数值近似的测试的统计功效通常略好于基于原始过程的鞅变换的测试。
2021-07-01 math.ST stat.ME stat.TH
Modelling multivariate ordinal time series using pairwise likelihood
Athens University of Economics and Business(雅典经济与商业大学)
本文提出利用Copula和条件配对似然建模多变量有序时间序列,通过独立最大化双变量模型并使用加权平均合成估计,展示了在不同样本量下的良好拟合效果和预测方法。
2026-02-13 stat.ME
Semiparametric mean and variance joint models with clipped-Laplace link functions for bounded integer-valued time series
本文针对有界计数时间序列,利用方差上下界和截断拉普拉斯链接函数提出半参数均值与方差联合模型,可同时刻画欠离散、等离散和过离散现象,并建立了平稳性、遍历性及估计量渐近性质。
2024-05-02 stat.ME
An Active Learning Approach for Jointly Estimating Worker Performance and Annotation Reliability with Crowdsourced Data
University of Central Florida(中佛罗里达大学);Iowa State University(爱荷华州立大学)
众包平台为训练监督分类器提供了一个实用的解决方案,可以负担得起对大型数据集进行注释的问题。不幸的是,糟糕的工人性能经常威胁到注释的可靠性,并且为每个实例请求多个标签可能导致成本大幅增加,而无法保证良好的结果。使用主动学习选择过程来最小化所需的训练样本减少了标记要求,但是可能由于关注错误的注释而危及分类器训练。本文提出了一种主动学习方法,其中工人的表现,任务难度和注释的可靠性联合估计和用于计算风险函数指导样本选择过程。我们证明了所提出的方法,它采用主动学习与贝叶斯网络,显着提高训练精度和正确排名的专业知识未知的标签在注释噪声的存在。
2014-01-16 cs.HC cs.LG
TabEmb: Joint Semantic-Structure Embedding for Table Annotation
School of Computing Science(计算科学学院);Simon Fraser University(西蒙弗雷泽大学)
本文提出TabEmb,通过解耦语义编码与结构建模,改进表格标注任务。模型利用LLM生成列语义嵌入,并通过图模块注入列间关系,提升语义与结构联合表示的性能。
2026-04-21 cs.LG
TSExplorer: An interactive data annotation and exploration tool for time-series data
Signal Processing Research Centre, Tampere University(坦佩雷大学信号处理研究中心);University of Helsinki(赫尔辛基大学)
TSExplorer是一款用于时间序列数据的跨平台交互式工具,支持高维数据可视化、多类数据处理工作流程,助力时间序列数据的标注、探索与标签优化。
2026-09-01 cs.AI cs.HC cs.LG
Large-Scale Music Annotation and Retrieval: Learning to Rank in Joint Semantic Spaces
Google(谷歌)
音乐预测任务的范围从预测给定歌曲或音频片段的标签,预测艺术家的名字,或者预测给定歌曲、片段、艺术家名字或标签的相关歌曲。也就是说,我们对数据库中不同音乐概念之间的每一种语义关系都感兴趣。在实际大小的数据库中,歌曲的数量以数十万或更多计,艺术家的数量以数万或更多计,这对标准机器学习技术提出了相当大的挑战。在这项工作中,我们提出了一种方法,该方法可以扩展到这样的数据集,它试图通过在一个低维语义空间中对音频,艺术家姓名和标签进行建模来捕获数据库项之间的语义相似性。通过使用多任务学习联合优化感兴趣的预测任务的集合来学习空间的这种选择。我们的方法都优于基线方法,与它们相比,更快,消耗更少的内存。然后,我们展示了我们的方法如何学习一个可解释的模型,其中语义空间很好地捕捉了感兴趣的相似性。
2011-05-26 cs.LG
Evaluating Interactive 2D Visualization as a Sample Selection Strategy for Biomedical Time-Series Data Annotation
Signal Processing Research Centre, Tampere University(塔尔皮莱大学信号处理研究中心);BABA Center, Department of Physiology, University of Helsinki(赫尔辛基大学生理学系BABA中心)
针对生物医学时间序列标注困难,比较随机采样、最远优先遍历和基于交互式2D可视化(2DV)的三种样本选择方法,在婴儿运动评估和语音情感识别任务中,2DV在聚合标签时表现最佳,但个体标注者间标签分布差异大,随机采样最安全。
2026-06-17 cs.AI cs.HC cs.LG
JESTR: Joint Embedding Space Technique for Ranking Candidate Molecules for the Annotation of Untargeted Metabolomics Data
Department of Computer Science, Tufts University(计算机科学系,塔夫茨大学);Google Research(谷歌研究);Department of Chemical and Biological Engineering, Tufts University(化学与生物工程系,塔夫茨大学)
本文提出JESTR联合嵌入空间方法,通过光谱与分子嵌入的余弦相似度排序候选结构,在多个数据集上显著提升非靶向代谢组学注释准确率。
2025-06-07 cs.AI cs.LG q-bio.BM
Mitosis Detection Under Limited Annotation: A Joint Learning Approach
IBM Research Zurich(IBM苏黎世研究院);ETH Zurich(苏黎世联邦理工学院)
有丝分裂计数是乳腺癌中肿瘤增殖的重要预后指标。基于深度学习的有丝分裂检测与病理学家不相上下,但它需要大量标记数据进行训练。我们提出了一个深度分类框架,通过利用类标签信息,通过softmax损失,和样本之间的空间分布信息,通过距离度量学习来增强有丝分裂检测。我们还研究了稳步提供信息样本以促进学习的策略。通过对ICPR 2012年和AMIDA 2013年有丝分裂数据的评价,确定了拟议框架的有效性。与使用整个训练数据的最新方法相比,我们的框架显着提高了小训练数据的检测,并实现了同等或更高的性能。
2020-07-02 cs.CV cs.LG eess.IV
Jointly Aligning and Predicting Continuous Emotion Annotations
University of Michigan(密歇根大学);University of Michigan School of Medicine(密歇根大学医学院)
情绪的时间连续维度描述(例如,唤醒,效价),使研究人员能够表征短期的变化,并捕捉情绪表达的长期趋势。然而,由于由反应时间引起的延迟,连续情感标签通常不与输入语音信号同步,这在人类评估中是固有的。为了应对这一挑战,我们引入了一种新的卷积神经网络(多延迟sinc网络),它能够以端到端的方式同时对齐和预测标签。所提出的网络是卷积层的堆栈,然后是对齐语音信号和情感标签的对齐器网络。该网络使用我们引入的新卷积层(延迟sinc层)来实现。它是一种时移低通(sinc)滤波器,使用基于梯度的算法来学习单个延迟。多个延迟sinc层可以用于补偿作为声学空间的函数的非平稳延迟。我们在两个常见的情感数据集,RECOLA和SEWA上测试了该系统的有效性,并表明这种方法通过学习时变延迟同时预测情感的维度描述符来获得最先进的语音结果。
2019-07-18 cs.HC cs.LG eess.AS
Semi-Supervised Multi-aspect Detection of Misinformation using Hierarchical Joint Decomposition
University of California Riverside(加州大学河滨分校);Snap Inc.(Snap公司)
在当今相互关联的世界中,区分错误信息和真实信息是最具挑战性的问题之一。绝大多数检测错误信息的最新技术都是完全监督的,需要大量高质量的人工注释。然而,不能想当然地认为这种注释的可用性,因为以跟上错误信息扩散的方式这样做是非常昂贵、耗时且具有挑战性的。在这项工作中,我们有兴趣探索的情况下,注释的数量是有限的。在这种情况下,我们调查如何利用不同数量的资源,表征新闻文章,此后被称为“方面”可以弥补缺乏标签。特别是,我们在本文中的贡献是双重的:1)我们提出了三个不同方面的使用:文章内容,社交共享行为的上下文和主机网站/域特征,以及2)我们引入了一个原则性的基于张量的嵌入框架,有效地结合了所有这些方面。我们提出了HiJoD一个2级分解管道,它不仅在Twitter和Politifact数据集上的F1分数分别为74%和81%,而且比类似的集成方法快了一个数量级。
2021-06-03 cs.LG cs.SI stat.ML
Joint Time Series Chain: Detecting Unusual Evolving Trend across Time Series
Department of Computer Science, George Mason University(乔治·马歇尔大学计算机科学系);TD Analytics and Technology Automation, Intel Corporation(英特尔公司技术分析与自动化部门)
本文提出联合时间序列链方法,用于在中断或相关时间序列中检测异常演变趋势,并通过实验验证其有效性。
2026-02-14 cs.LG
Localization of Critical Findings in Chest X-Ray without Local Annotations Using Multi-Instance Learning
Philips Research North America(飞利浦北美研究院);Philips Research(飞利浦研究院)
自动检测胸部X射线(CXR)中的关键发现(如气胸)对于辅助放射科医生进行临床工作流程(如对时间敏感的病例进行分类和筛选偶然发现)非常重要。虽然深度学习(DL)模型已经成为一种具有接近人类准确性的有前途的预测技术,但它们通常缺乏可解释性,这是高度监管的医疗保健行业中DL模型临床部署的一个重要方面。例如,定位图像中的关键发现对于解释DL分类算法的预测是有用的。虽然已经存在许多用于计算机视觉的联合分类和定位方法,但是最先进的DL模型需要以像素级标签或限界框坐标的形式的本地注释的训练数据。在医学领域,这需要医学专家对每个关键发现进行昂贵的手动注释。这一要求成为训练模型的主要障碍,这些模型可以快速扩展到各种发现。在这项工作中,我们解决了这些缺点与可解释的DL算法的基础上,多实例学习,共同分类和本地化CXR的关键发现,而不需要本地注释。我们展示了来自三个不同CXR数据集的三个不同关键发现(气胸、肺炎和肺水肿)的竞争性分类结果。
2020-01-23 cs.CV cs.LG eess.IV
Deep Active Learning for Joint Classification & Segmentation with Weak Annotator
École de technologie supérieure(高等技术学院)
CNN可视化和解释方法,如类激活图(CAM),通常用于突出显示与类预测相关的图像区域。这些模型允许同时对图像进行分类并提取依赖于类别的显著性图,而不需要昂贵的像素级注释。然而,它们通常产生具有高假阳性率的分割,因此,粗糙的可视化,在处理具有挑战性的图像时更是如此,如在组织学中遇到的。为了缓解这个问题,我们提出了一个主动学习(AL)框架,它在训练过程中逐步集成像素级注释。给定具有全局图像级标签的训练数据,我们的深度弱监督学习模型联合执行监督图像级分类和用于分割的主动学习,通过oracle集成像素注释。与专注于样本选择的标准AL方法不同,我们还通过伪分割(即,在像素级别上的自学习),并在训练期间将它们与Oracle注释的样本相结合。我们报告了两个具有挑战性的基准-高分辨率医学图像(结肠癌的组织学GlaS数据)和自然图像(鸟类的CUB-200-2011)的广泛实验。我们的研究结果表明,通过简单地使用随机样本选择,所提出的方法可以显着优于国家的最先进的CAM和AL方法,具有相同的甲骨文监督预算。我们的代码是公开的。
2020-11-14 cs.CV cs.LG
MultiRC: Joint Learning for Time Series Anomaly Prediction and Detection with Multi-scale Reconstructive Contrast
East China Normal University(华东师范大学);Aalborg University(奥尔堡大学)
本文提出MultiRC方法,通过多尺度重构对比学习联合实现时间序列异常预测与检测,利用自适应主导周期掩码和负样本生成应对反应时间多样及标注缺失问题,在七个基准数据集上超越现有方法。
2024-10-21 cs.LG
Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
ISMLL, University of Hildesheim, Germany(Hildesheim大学智能系统实验室);VWFS, Data Analytics Research Center(数据分析研究中心)
本文提出CircuITS概率电路架构,有效捕捉多变量时间序列复杂依赖关系,提升不规则时间序列联合分布估计精度。
2026-10-14 cs.LG
Adversarial-Robust Multivariate Time-Series Anomaly Detection via Joint Information Retention
McGill University(麦吉尔大学);MILA - Quebec AI Institute(MILA - 魁北克人工智能研究所)
本文提出ARTA框架,通过对抗训练提升时间序列异常检测的鲁棒性,实验表明其在多种数据集上表现优异,噪声增加时降解更温和。
2026-03-26 cs.LG
Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection
Virginia Tech(弗吉尼亚理工大学)
本文提出通过潜在空间中解耦边际分布、时间动态与变量间依赖,并结合Transformer、copula和自监督对比学习来建模多元时间序列的联合时空模式,以提升异常检测性能。
2025-09-18 cs.LG
Joint Modeling of Event Sequence and Time Series with Attentional Twin Recurrent Neural Networks
Shanghai Jiao Tong University(上海交通大学);IBM Research - China(IBM中国研究院);Georgia Institute of Technology(佐治亚理工学院)
各种真实世界的过程(通过网络)产生的数据序列,其复杂的时间动态需要研究。更特别地,事件时间戳可以携带关于底层网络动态的重要信息,否则这些信息不能从从连续信号均匀采样的时间序列中获得。此外,在大多数复杂的过程中,事件序列和均匀采样的时间序列数据可以相互作用,这使得这两个数据源的联合建模是必要的。针对上述问题,本文利用时间点过程的丰富框架对事件数据进行建模,并通过协同孪生循环神经网络(RNNs)及时更新其强度函数。在所提出的架构中,强度函数由一个以异步事件为输入的RNN和另一个以时间序列为输入的RNN协同调制。此外,为增强模型的可解释性,引入了神经元点过程的注意力机制。具有事件类型和时间戳预测输出层的整个模型可以进行端到端的训练,并允许对强度进行黑盒处理。我们证实了我们的模型在合成数据和三个真实世界的基准数据集的优越性。
2017-03-24 cs.LG
Are EEG Sequences Time Series? EEG Classification with Time Series Models and Joint Subject Training
Institute for Computer Science, University of Hildesheim(希尔德斯海姆大学计算机科学学院)
本文系统比较EEG分类与通用时间序列分类模型,提出结合受试者嵌入的联合受试者条件训练方法,使现成时间序列模型在三个数据集中两个上达到或超过专用EEG模型性能。
2026-10-23 cs.LG eess.SP
Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting
Hanyang University(汉阳大学)
本文提出将多元时间序列建模为图节点,结合图神经网络、注意力机制和层次化信号分解捕获多种时空依赖,在多个长期预测基准上相比现有模型平均降低23%的MSE。
2023-11-30 cs.LG
Distilling Universal and Joint Knowledge for Cross-Domain Model Compression on Time Series Data
Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院);Nanyang Technological University(南洋理工大学);Centre for Frontier AI Research, A*STAR(新加坡科技研究局前沿人工智能研究中心)
本文提出UNI-KD端到端框架,通过对抗学习同时迁移跨域通用特征级知识和联合logit级知识,解决时间序列模型跨域压缩中的域偏移问题,并在四个数据集上验证其优于SOTA方法。
2023-07-07 cs.LG
Bridging Time and Frequency: A Joint Modeling Framework for Irregular Multivariate Time Series Forecasting
School of Data Science and Engineering, East China Normal University, Shanghai, China(数据科学与工程学院,东华大学,上海,中国)
TFMixer通过联合时频建模框架解决不规则多变量时间序列预测中的非均匀采样和变量异步性问题,结合全局频域模块和局部时间模块实现高精度预测。
2026-01-31 cs.LG
Joint Signal Recovery and Graph Learning from Incomplete Time-Series
Sharif University of Technology(谢里夫理工大学);Hong Kong University of Science and Technology(香港科技大学)
针对不完整时间序列,提出基于块连续上界最小化(BSUM)的算法,联合恢复时变图信号并学习底层图结构,仿真验证其有效性。
2023-12-28 cs.LG eess.SP
Evaluating Large Language Models as Virtual Annotators for Time-series Physical Sensing Data
Indian Institute of Technology(印度理工学院);Nokia Bell Labs(诺基亚贝尔实验室)
本文评估了GPT-4等最先进的大型语言模型作为时间序列物理传感数据虚拟标注器的可行性,通过分阶段研究证明,结合自监督学习编码和度量指导可使LLM在无需微调的情况下提供准确标注。
2024-04-14 cs.LG eess.SP
Diffeomorphic Temporal Alignment Nets for Time-series Joint Alignment and Averaging
针对时间序列非线性错位阻碍平均的问题,提出微分同胚时间对齐网络(DTAN),通过输入依赖的微分同胚变换实现联合对齐与平均,结合正则化或逆一致性平均误差缓解平凡解风险,扩展多任务学习并在128个UCR数据集验证其优于现有方法。
2025-02-10 cs.LG
Joint Neural Architecture and Hyperparameter Search for Correlated Time Series Forecasting
Aalborg University(奥尔堡大学)
网络物理系统中的传感器经常捕获相互关联的过程,从而发出相关时间序列(CTS),预测这些过程可以实现重要的应用。成功的CTS预测的关键是揭示时间序列的时间动态和时间序列之间的空间相关性。基于深度学习的解决方案在识别这些方面表现出令人印象深刻的性能。特别是,自动化CTS预测,其中最佳深度学习架构的设计是自动化的,使得预测准确性超过了手动方法所达到的准确性。然而,自动化CTS解决方案仍处于起步阶段,只能为预定义的超参数找到最佳架构,并且难以扩展到大规模CTS。为了克服这些限制,我们提出了一个联合的,可扩展的框架,自动设计有效的CTS预测模型。具体来说,我们将每个候选架构和伴随的超参数编码到联合图表示中。我们引入了一个高效的架构超参数比较器(AHC)来对所有架构超参数对进行排名,然后我们进一步评估排名靠前的对以选择最终结果。在六个基准数据集上的大量实验表明,该方法不仅消除了人工劳动,而且能够比手动设计和现有的自动设计的CTS模型具有更好的性能。此外,它显示了良好的可扩展性,以大型CTS。
2023-02-27 cs.AI cs.DB cs.LG
Semi-supervised Pathology Segmentation with Disentangled Representations
University of Edinburgh(爱丁堡大学);University of California(加利福尼亚大学);Cedars-Sinai Medical Center(西达赛奈医疗中心);University of Essex(埃塞克斯大学);The Alan Turing Institute(艾伦·图灵研究所)
自动病理分割仍然是临床实践中有价值的诊断工具。然而,收集训练数据是一项挑战。半监督方法通过结合标记和未标记的数据可以提供数据稀缺的解决方案。半监督学习的方法依赖于重建目标(作为自我监督目标),其以联合方式学习任务的合适表示。在这里,我们提出了解剖-病理解缠网络(APD-Net),这是一种病理分割模型,首次尝试联合学习:解剖,模态和病理的解缠。该模型以半监督的方式进行训练,新的重建损失直接旨在改善具有有限注释的病理分割。此外,提出了一种联合优化策略,以充分利用可用的注释。我们评估我们的方法与两个私人心肌梗死分割数据集与LGE-MRI扫描。APD-Net可以使用很少的注释执行病理分割,在不同的监督量下保持性能,并优于相关的深度学习方法。
2020-09-05 cs.CV cs.LG eess.IV
Chronicle: A Multimodal Foundation Model for Joint Language and Time Series Understanding
InertialAI;Department of Electrical and Computer Engineering, Queen’s University(皇后大学电气与计算机工程系);Department of Mechanical and Materials Engineering, Queen’s University(皇后大学机械与材料工程系)
本文提出Chronicle,一种联合训练语言和时间序列的多模态基础模型,通过统一架构实现两者共享参数,从而在多个任务上取得了优异表现。
2026-05-18 cs.AI cs.CL cs.LG
Koopman Invariants as Drivers of Emergent Time-Series Clustering in Joint-Embedding Predictive Architectures
本文提出JEPAs通过Koopman不变量驱动时间序列聚类的理论,揭示了预测器在表示解缠中的作用,为自监督学习与动力系统理论提供了联系。
2026-01-23 cs.AI cs.LG
Modeling sequential annotations for sequence labeling with crowds
City University of Hong Kong(香港城市大学)
群体顺序注释可以是构建用于序列标记的大型数据集的有效且具有成本效益的方式。与标记独立实例不同,对于群体顺序注释,标签序列的质量依赖于注释者在捕获序列中每个标记的内部依赖性方面的专业知识水平。在本文中,我们提出了建模序列标注与人群(SA-SLC)。首先,开发了一个条件概率模型来联合建模顺序数据和注释者的专业知识,其中分类分布被引入到估计的可靠性,每个注释器捕获本地和非本地标签依赖顺序注释。为了加快边缘化的模型,有效的标签序列推理(VLSE)的方法,提出了从人群顺序标注获得有效的地面实况标签序列。VLSE从令牌级导出可能的地面实况标签,并在标签序列解码的前向推理中进一步修剪子路径。VLSE减少了候选标签序列的数量,并提高了可能的地面实况标签序列的质量。对自然语言处理中的多个序列标注任务的实验结果表明了该模型的有效性。
2022-09-20 cs.CL cs.LG
A Study of Joint Graph Inference and Forecasting
Technical University of Munich(慕尼黑工业大学);AWS AI Labs, Amazon Web Services(亚马逊云服务AWS人工智能实验室);University of Amsterdam(阿姆斯特丹大学)
我们研究了最近的一类模型,它使用图神经网络(GNNs),以提高多变量时间序列的预测。这些模型背后的核心假设是,时间序列(节点)之间存在一个潜图,它控制着多变量时间序列的演变。通过以可微的方式对图进行参数化,这些模型旨在提高预测质量。我们比较了四个最近的模型,这一类的预测任务。此外,我们进行消融以研究它们在变化条件下的行为,例如,当禁用图形学习模块并代之以提供地面实况关系时。根据我们的研究结果,我们提出了新的方式结合现有的架构。
2021-09-10 cs.LG
Deep Joint Distribution Optimal Transport for Universal Domain Adaptation on Time Series
Univ Rouen Normandie, INSA Rouen Normandie, Normandie Univ, LITIS UR 4108(鲁昂大学诺曼底分校, 鲁昂国立应用科学学院, 诺曼底大学, LITIS UR 4108)
本文提出UniJDOT方法,通过最优传输考虑未知目标样本,引入联合决策空间提升检测判别性,并采用自适应阈值算法和傅里叶变换层提升时间序列表示,实验证明其判别性、鲁棒性和性能优势。
2025-11-17 cs.LG
Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting
Ant International(蚂蚁国际)
提出Timeflies框架,联合建模未来观测是否发生(存在性)与数值估计,通过观测流和数值流耦合模块提升缺失值时间序列预测性能。
2026-10-01 cs.AI cs.LG
DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment
Xiaohongshu Inc.(小红书公司);College of Control Science and Technology, Zhejiang University(浙江大学控制科学与工程学院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);School of Computing and Artificial Intelligence, Shanghai University of Finance and Economics(上海财经大学计算与人工智能学院);State Key Lab of General AI, School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院通用人工智能国家重点实验室);Squirrel AI(松鼠AI);Center for Data Science, Peking University(北京大学数据科学中心);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院)
DistDF通过最小化预测序列与标签序列条件分布之间的分布差异,解决传统直接预测方法在标签序列自相关时的偏差问题,提升多种预测模型性能。
2026-10-07 cs.AI cs.LG
Simulation-to-Reality domain adaptation for offline 3D object annotation on pointclouds with correlation alignment
Navya(Navya公司)
在自动驾驶感知系统中,用LiDAR点云中的3D边界框注释对象是一个昂贵的人工驱动过程。在本文中,我们提出了一种方法来半自动注释部署车辆使用模拟数据收集的真实世界的点云。我们训练一个三维物体检测器模型标记的模拟数据从CARLA与现实世界的点云从我们的目标车辆。监督目标检测损失与CORAL损失项增加,以减少标记的模拟和未标记的真实点云特征表示之间的距离。这里的目标是学习对模拟(标记)和真实世界(未标记)目标域不变的表示。我们还提供了一个更新的调查领域自适应方法的点云。
2022-02-26 cs.CV cs.LG
Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift
School of Medical Technology, Beijing Institute of Technology(北京理工大学医学技术学院);Tongji University(同济大学);School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);Data Science Institute, University of Technology Sydney(悉尼科技大学数据科学研究所);School of Computing, Macquarie University(麦考瑞大学计算学院)
针对多元时间序列预测中的分布偏移问题,提出联合概率图模型JointPGM,同时捕捉序列内与序列间相关性并建模时变转移分布,在六个非平稳数据集上取得最优性能。
2024-07-18 cs.AI cs.LG
Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection
School of Marine Science and Technology, Northwestern Polytechnical University(西北工业大学海洋科学与技术学院);School of Computing, University of Eastern Finland(东芬兰大学计算机学院);University of Turku(图尔库大学);Engineering Cluster, Singapore Institute of Technology(新加坡科技学院工程集群)
针对时间序列异常检测中长程依赖建模与非平稳数据泛化难题,提出结合选择性状态空间模型与多阶段去趋势的检测器,在真实数据集上超越12个基线方法。
2024-08-20 cs.AI cs.LG