Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline
针对不规则多元时间序列预测存在的建模难、现有方法复杂耗资源的问题,本文提出含TAPA模块的APN框架,在多个真实数据集上实现了精度与效率优于现有SOTA的预测效果。
2025-11-17 cs.LG
First De-Trend then Attend: Rethinking Attention for Time-Series Forecasting
UC San Diego(加州大学圣地亚哥分校);AWS AI Labs(亚马逊云科技人工智能实验室);AWS(亚马逊云科技)
近年来,基于变换的模型在长期时间序列预测中得到了广泛的应用,并显示出良好的效果。除了在时域中学习注意力之外,最近的工作还探索了在频域中学习注意力(例如,傅立叶域、小波域),因为在这些域中可以更好地捕获季节模式。在这项工作中,我们试图了解在不同的时间和频率域的注意力模型之间的关系。理论上,我们证明了不同领域的注意力模型在线性条件下是等价的(即,注意力分数的线性内核)。在实证方面,我们分析了不同领域的注意力模型如何表现出不同的行为,通过各种合成实验与季节性,趋势和噪音,重点是softmax操作中的作用。这些理论和实证分析促使我们提出了一种新的方法:TDformer(趋势分解Transformer),首先应用季节趋势分解,然后添加组合的MLP预测的趋势分量与傅立叶注意预测的季节分量,以获得最终的预测。在基准时间序列预测数据集上的大量实验表明,TDformer相对于现有的基于注意力的模型实现了最先进的性能。
2022-12-15 cs.LG
Temporally Unified Adversarial Perturbations for Time Series Forecasting
本文提出时间统一对抗扰动方法,通过时间一致性约束和梯度累积方法提升时间序列预测模型的对抗攻击效果。
2026-02-12 cs.LG
IndexNet: Timestamp and Variable-Aware Modeling for Time Series Forecasting
Shanghai Academy of AI for Science(上海人工智能科学研究院);Fudan University(复旦大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Northeastern University(东北大学)
针对现有多变量时间序列预测方法忽略索引类描述信息的问题,提出融合时间戳与通道嵌入的MLP框架IndexNet,在12个数据集上性能比肩主流基线,兼具通用性与可解释性。
2025-10-02 cs.AI cs.LG
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Huawei Technologies Ltd(华为技术有限公司);Squirrel AI(松鼠AI);Meta AI;Fudan University(复旦大学)
本文从偏微分方程视角将多元时间序列建模为连续动力系统的时空采样,提出基于神经PDE求解器编码—集成—解码架构的PDETime模型,在七个真实数据集上取得最先进预测性能。
2024-02-25 cs.LG
LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling
Griffith University(格里菲斯大学)
LeapTS将时间序列预测重新定义为动态调度过程,通过分层控制器和连续时间状态演化,提升预测性能并加快推理速度。
2026-05-11 cs.AI cs.LG
Rethinking Trajectory Forecasting Evaluation
NVIDIA Research(英伟达研究院)
预测其他智能体的行为是现代机器人自动化堆栈的一个组成部分,特别是在人机交互的安全关键场景中,例如自动驾驶。反过来,人们对轨迹预测产生了大量的兴趣和研究,从而产生了各种各样的方法。然而,所有工作的共同点是使用相同的几个基于准确性的评估指标,例如,位移误差和对数似然。虽然这些指标是信息性的,但它们是任务不可知的,并且被评估为相等的预测可能导致截然不同的结果,例如,下游规划和决策。在这项工作中,我们退后一步,批判性地评估当前的轨迹预测指标,提出任务感知指标作为部署预测的系统中性能的更好衡量标准。我们还提出了这样一个指标的一个例子,将规划意识在现有的轨迹预测指标。
2021-07-21 cs.CV cs.LG cs.RO
TimeExpert: Boosting Long Time Series Forecasting with Temporal Mix of Experts
Zhejiang University(浙江大学);Shanghai Jiao Tong University(上海交通大学);Zhongke Wenge Technology(中科创世科技);Northeastern University(东北大学)
本文提出注意力级 TMOE 机制,通过局部专家自适应筛选时间戳并结合全局专家,改进 PatchTST 与 Timer,在七个长期预测基准上达到最优性能。
2025-09-27 cs.LG
Rethinking Adam for Time Series Forecasting: A Simple Heuristic to Improve Optimization under Distribution Shifts
本文提出TS_Adam,通过移除Adam中的二阶校正以提升对分布漂移的适应性,从而在时间序列预测中实现更有效的优化。
2026-03-10 cs.LG stat.ML
Rethinking Channel Dependence for Multivariate Time Series Forecasting: Learning from Leading Indicators
Shanghai Jiao Tong University(上海交通大学)
针对多变量时间序列预测中通道独立方法未利用通道依赖的问题,提出即插即用的LIFT方法,通过挖掘变量间领先-滞后关系利用领先指标信息,在六个真实数据集上平均提升现有最优方法5.5%的预测性能。
2024-08-13 cs.AI cs.LG
Beyond MSE: Rethinking the Evaluation Metric and Benchmarking for Irregular Time Series Forecasting
College of Computer Science and Electronic Engineering, Hunan University(湖南大学计算机与通信学院)
本文针对不规则时间序列预测中MSE评估存在偏差的问题,提出CSE指标并构建多类型数据集基准,验证其能更准确评估模型连续时间预测性能。
2026-08-19 cs.AI cs.LG
Epistemic Error Decomposition for Multi-step Time Series Forecasting: Rethinking Bias-Variance in Recursive and Direct Strategies
University of Bristol(布里斯托大学)
本文针对多步时间序列预测中递归与直接策略的传统偏差-方差认知,提出将预测期望误差分解为三部分的分析框架,通过理论推导与ETTm1数据集上的多层感知机实验验证相关结论,为两类预测策略的选择提供实践指导。
2025-11-14 cs.AI cs.LG
BITS: Rethinking Fair and Comprehensive Evaluation for Irregular Time Series Forecasting
针对不规则时间序列预测缺乏统一基准的问题,提出BITS基准,涵盖11个数据集和多种指标,发现方法性能随不规则性变化且指标选择影响排名,强调多维评估。
2026-09-29 cs.AI cs.LG
Rethinking Cross-Channel Importance in Time-Series Forecasting
本研究重新审视时间序列预测中跨通道重要性,证明统计相关、预测有用和实际使用三者不同,并提出地平线自适应源选择与后验支持方法,显著提升预测性能。
2026-09-29 cs.IR cs.LG
DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting
DiffPTS通过重新推导位置-尺度噪声模型下的ELBO,提出统一联合训练目标,实现端到端优化,在概率时间序列预测中平均CRPS/MSE降低超14.53%/16.55%。
2026-10-15 cs.AI cs.LG
Two Steps Forward and One Behind: Rethinking Time Series Forecasting with Deep Learning
Politecnico di Milano(米兰理工大学)
本文质疑Transformer在时间序列预测中的有效性,通过实验证明简化模型常能提升性能,并提出无注意力机制的浅层模型,在长时间序列预测中达到最先进水平,同时强调使用简单基线验证模型的重要性。
2023-05-08 cs.AI cs.LG
SynTSBench: Rethinking Temporal Pattern Learning in Deep Learning Models for Time Series
SynTSBench提出基于合成数据的评估范式,通过可编程特征配置系统评估时间序列预测模型的能力,揭示现有模型在各类时间特征上未普遍达到最优基线。
2025-10-23 cs.LG
Rethinking Irregular Time Series Forecasting from the Perspective of Basis Functions
College of Computer Science and Electronic Engineering, Hunan University(湖南大学计算机与电子工程学院)
针对非规则时间序列预测的渐近偏差与基函数适应性问题,提出DNBNet模型,通过去偏机制、多尺度分解等设计提升预测效果,实验验证其有效性与泛化性。
2026-08-19 cs.AI cs.LG
UnitNorm: Rethinking Normalization for Transformers in Time Series
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对时间序列Transformer中传统归一化导致的问题,提出UnitNorm方法,通过范数缩放和注意力调节,在6个模型和10个数据集上显著提升预测与分类性能。
2024-05-24 cs.LG
UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting
School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University, Xi’an 710072, China(人工智能学院、光学与电子学(iOPEN)、西北工业大学,西安710072,中国);Institute of Artificial Intelligence (TeleAI), China Telecom, China(人工智能研究所(TeleAI)、中国电信,中国)
UniDiff提出了一种统一的扩散框架,通过融合文本和时间戳信息,提升多模态时间序列预测的准确性与鲁棒性。
2025-12-08 cs.LG
FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective
Beijing Institute of Technology(北京理工大学);Tongji University(同济大学);University of Oxford(牛津大学);University of Macau(澳门大学);HeFei University of Technology(合肥工业大学);Macquarie University(麦考瑞大学)
针对现有GNN方法时空建模分离的问题,提出纯图视角的FourierGNN,通过超变量图统一时空依赖,并在傅里叶空间实现高效预测,在七个数据集上以更少参数取得更优性能。
2023-11-10 cs.AI cs.LG
CMoS: Rethinking Time Series Prediction Through the Lens of Chunk-wise Spatial Correlations
Computer Network Information Center, CAS(中国科学院计算机网络信息中心);University of Chinese Academy of Sciences(中国科学院大学);Nanjing University(南京大学);Tsinghua University(清华大学)
本文提出超轻量级时间序列预测模型CMoS,通过直接建模分块空间相关性并引入相关性混合与周期性注入技术,以仅DLinear 1%的参数在多个数据集上超越现有最先进模型,且权重具有强可解释性。
2025-05-25 cs.LG stat.ML
A Temporal Knowledge Graph for Music Festival Lineup Forecasting
University of Mannheim(曼海姆大学)
提出一个覆盖55年380个音乐节、含9万多个演出四元组的时间知识图谱,将阵容预测形式化为时间链接预测,评估六种TKG模型并与零样本LLM对比,为TKG预测提供真实应用基准。
2026-09-22 cs.LG
Rethinking Recurrent Neural Networks for Time Series Forecasting: A Reinforced Recurrent Encoder with Prediction-Oriented Proximal Policy Optimization
School of Management, Huazhong University of Science and Technology(华中科技大学管理学院);Center for Applied Mathematics, École des Ponts ParisTech(巴黎高等理工学院应用数学中心);School of Mechanical Engineering, Dalian Jiaotong University(大连交通大学机械工程学院);School of Computer Science and Technology, Huazhong University of Science and Technology(华中科技大学计算机科学与技术学院)
本文提出RRE-PPO4Pred方法,通过强化编码器和改进的PPO算法提升时间序列预测的准确性和模型能力。
2026-01-13 cs.LG cs.NE
TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs
Siemens AG(西门子股份公司);Ludwig Maximilian University of Munich(慕尼黑大学)
传统的静态知识图谱将关系数据中的实体建模为节点,由特定关系类型的边连接。然而,信息和知识不断演变,出现了时间动态,预计会影响未来的局势。在时间知识图谱中,通过为每条边配备时间戳或时间范围来将时间信息集成到图中。基于嵌入的方法已经被引入到时态知识图谱的链接预测中,但是它们大多缺乏可解释性和可理解的推理链。特别是,它们通常不被设计为处理链路预测-涉及未来时间戳的事件预测。我们解决的任务,时间知识图谱的链接预测,并介绍TLogic,一个可解释的框架,是基于时间的逻辑规则提取通过时间随机游走。我们将TLogic与三个基准数据集上的最新基线进行了比较,并显示出更好的整体性能,同时我们的方法还提供了保持时间一致性的解释。此外,与大多数最先进的基于嵌入的方法相比,TLogic在归纳设置中工作得很好,其中已经学习的规则被转移到具有公共词汇表的相关数据集。
2022-03-09 cs.AI cs.LG
Rethinking Training & Inference for Forecasting: Linking Winner-Take-All back to GMMs
Cornell University(康奈尔大学);Stanford University(斯坦福大学);Boston University(波士顿大学)
针对轨迹预测中赢家通吃训练导致模式后验不可靠的问题,提出测试时后验加权合并和一步EM更新两种轻量级后处理方法,无需重训练即可提升模式排序和预测精度。
2026-06-26 cs.CV cs.LG cs.RO
ReNF: Rethinking the Design of Neural Long-Term Time Series Forecasters
HFIPS, Chinese Academy of Sciences(中国科学院合肥研究院);University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学)
本文提出BDO方法,通过结合因果结构与稳定性,提升长期时间序列预测性能,并通过参数平滑减少泛化差距,实验证明简单改进优于复杂模型。
2026-05-14 cs.LG
DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting
Carnegie Mellon University(卡内基梅隆大学)
神经预测在大规模系统的准确性方面有了显着的提高,但预测极长的时间范围仍然是一项具有挑战性的任务。两个常见的问题是预测的波动性和它们的计算复杂性;我们通过将平滑正则化和混合数据采样技术结合到性能良好的基于多层感知器的架构(NBEATS)来解决它们。我们验证了我们提出的方法,DMIDAS,在高频医疗保健和电价数据上具有较长的预测范围(约1000个时间戳),我们将预测精度提高了5%,比最先进的模型,减少了近70%的NBEATS参数数量。
2021-06-07 cs.LG stat.ML
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach
Sichuan University(四川大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));McGill University(麦吉尔大学);Shanghai Jiao Tong University(上海交通大学);Shanghai AI Lab(上海人工智能实验室)
本文提出SUMformer,将城市出行预测重新建模为超多变量时间序列问题,通过专门注意力机制、低频滤波和时间块合并层次结构实现多尺度相关建模,并在三个真实数据集上超越现有方法。
2023-12-04 cs.AI cs.LG
TS2Vec: Towards Universal Representation of Time Series
Peking University(北京大学);Microsoft(微软)
本文介绍了TS2Vec,一个通用的框架学习表示的时间序列在任意语义水平。与现有的方法不同,TS2Vec在增强的上下文视图上以分层方式执行对比学习,这使得每个时间戳都能够实现鲁棒的上下文表示。此外,为了获得时间序列中任意子序列的表示,我们可以对相应时间戳的表示应用简单的聚合。我们对时间序列分类任务进行了广泛的实验,以评估时间序列表示的质量。因此,TS2Vec在125个UCR数据集和29个UEA数据集上实现了对现有无监督时间序列表示的SOTA的显着改进。学习的时间戳级表示在时间序列预测和异常检测任务中也取得了优异的结果。在学习的表示之上训练的线性回归优于以前的时间序列预测SOTA。此外,我们提出了一种简单的方法来应用学习表示的无监督异常检测,建立SOTA的结果在文献中。源代码可在https://github.com/yuezhihan/ts2vec上公开获得。
2022-02-03 cs.AI 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
When Denoising Hurts: Rethinking the Terminal Step of Diffusion Time Series Forecasters -- Extended Version
本研究质疑扩散时间序列预测器迭代采样均有益的观点,提出无标签全局停止准则与伯努利时间步采样器,经八组真实数据集实验验证,可提升预测精度并加快推理速度。
2026-08-17 cs.LG
Motion Code: Robust Time Series Classification and Forecasting via Sparse Variational Multi-Stochastic Processes Learning
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出 Motion Code 框架,将时间序列视为连续时间随机过程,通过签名向量和最具信息量时间戳的稀疏变分学习捕捉多种底层动态,实现噪声数据上的鲁棒时间序列分类与预测,并在帕金森病传感器追踪等实验中优于现有基准。
2024-11-25 cs.AI cs.LG stat.ML
Self-Gating Attention for Efficient Time Series Forecasting
School of Automation, Southeast University(自动化学院,东南大学);School of Electrical Engineering and Computer Science, The University of Queensland(电气工程与计算机科学学院,昆士兰大学)
提出自门控注意力(SGA),通过共享可学习矩阵和输入相关残差分量实现线性复杂度,在保持预测性能的同时提升推理效率。
2026-07-03 cs.AI cs.LG
KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting
本文提出KFS架构,通过频域能量分布选择主导频率和KAN复杂模式表示,提升多尺度时间序列预测性能。
2025-08-06 cs.LG
Caformer: Rethinking Time Series Analysis from Causal Perspective
East China University of Science and Technology(华东理工大学)
本文提出Caformer框架,从因果视角解决非平稳时间序列中环境导致的虚假相关问题,通过动态、环境和依赖三个学习器,在五项主流任务上取得先进性能。
2024-03-13 cs.LG
QiYao-I: A Manifold Based Foundation Model for Irregular Multivariate Time Series Forecasting
East China Normal University(华东师范大学);Huawei Technologies Ltd.(华为技术有限公司)
QiYao-I提出基于流形的时间注意力与频率感知动态变量交互机制,用于不规则多元时间序列预测,在基准上超越现有模型,具备强零样本和少样本泛化能力。
2026-10-14 cs.LG
Improving the Transferability of Time Series Forecasting with Decomposition Adaptation
Zhejiang University(浙江大学);Nanjing University(南京大学)
针对时间序列预测中数据稀缺限制模型性能的问题,提出SeDAN迁移架构,通过Implicit Contrastive Decomposition将特征分解为季节和趋势成分并分别进行自适应对齐,在五个基准数据集上验证了其高效稳定的跨域知识迁移能力。
2023-06-30 cs.LG
Graph Attention Recurrent Neural Networks for Correlated Time Series Forecasting -- Full version
Aalborg University(奥尔堡大学)
我们考虑一种设置,其中多个实体随着时间的推移相互作用,并且实体的时变状态表示为多个相关的时间序列。例如,速度传感器被部署在道路网络中的不同位置,其中特定位置跨时间的速度被对应的传感器捕获为时间序列,从而导致来自不同位置的多个速度时间序列,这些速度时间序列通常是相关的。为了实现对相关时间序列的准确预测,我们提出了图注意力循环神经网络。首先,我们通过考虑空间邻近度在不同实体之间构建图,并采用多头注意力机制来为图导出自适应权重矩阵,以捕获顶点之间的相关性(例如,不同位置的速度)在不同的时间戳。其次,我们采用循环神经网络来考虑时间依赖性,同时考虑到从第一步学习的自适应权重矩阵来考虑时间序列之间的相关性。在大规模真实世界的速度时间序列数据集上的实验表明,所提出的方法是有效的,在大多数情况下优于国家的最先进的。这份手稿提供了研讨会论文的完整版本[1]。
2021-03-22 cs.LG
Dynamic Modes as Time Representation for Spatiotemporal Forecasting
本文提出基于动态模态分解的时间嵌入方法,直接从数据提取时间模态,用于时空预测,能捕获多尺度周期性,提升长期预测精度并增强泛化。
2025-08-02 cs.LG stat.ML
Position: Current Benchmarking Hinders Real Progress in Deep Learning for Time Series Forecasting
University of Cambridge(剑桥大学)
本文指出当前基准测试实践未能识别影响性能的关键设计因素,尤其是全局性与局部性等被忽视的方面对预测方法类别和实验结果有重大影响,并提出辅助预测模型卡以改进架构比较。
2026-05-30 cs.LG
Revitalizing Canonical Pre-Alignment for Irregular Multivariate Time Series Forecasting
针对不规则多元时间序列预测中CPA预对齐计算开销大、现有图模型难以捕捉全局相关性的问题,提出基于CPA的KAFNet架构,以更低参数量和更快速度取得SOTA性能。
2025-12-01 cs.LG
Instance-wise Graph-based Framework for Multivariate Time Series Forecasting
Microsoft Research Asia(微软亚洲研究院)
多元时间序列预测由于其在金融、交通、气象等领域的重要作用而受到越来越多的关注。近年来,人们对多变量时间序列的预测进行了大量的研究。尽管之前的一些工作考虑了同一时间戳中不同变量之间的相互依赖性,但现有工作忽视了不同时间戳的不同变量之间的相互联系。在本文中,我们提出了一个简单而有效的基于实例的图形框架,利用不同时间戳的不同变量的相互依赖性进行多变量时间序列预测。我们框架的核心思想是将不同变量的历史时间序列中的信息聚合到我们需要预测的当前时间序列中。我们在交通、电力和汇率多变量时间序列数据集上进行实验。结果表明,我们提出的模型优于国家的最先进的基线方法。
2021-09-14 cs.AI cs.LG
STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting
College of Computer Science, Nankai University(南开大学计算机科学学院)
STRGCN通过将不规则多元时间序列建模为全连接图并结合分层“三明治”结构,在不进行预对齐的情况下直接捕获异步时空依赖,在四个公开数据集上取得最先进精度与高效资源表现。
2025-05-07 cs.LG
From Manual Construction to AI-Driven Scenario Emergence: Rethinking Catastrophe Risk Modeling
针对传统巨灾风险模型依赖昂贵人工构建的瓶颈,本文提出TAISE框架,利用AI天气预报模型通过自我迭代生成连贯极端天气序列,以数量级降低计算成本,实现动态全面的巨灾风险评估。
2026-09-16 cs.AI cs.LG
Probabilistic Forecasting of Business Process Executions with Neural Temporal Point Processes
Paris Dauphine University-PSL(巴黎多菲纳大学-PSL);University of Vienna(维也纳大学)
针对业务流程执行预测,提出基于标记时间点过程的生成式模型,结合变换器与混合解码器处理并列时间戳,在保持点准确性的同时提升剩余时间分布校准性并降低推理成本。
2026-09-21 cs.LG
iTransformer: Inverted Transformers Are Effective for Time Series Forecasting
Tsinghua University(清华大学);Ant Group(蚂蚁集团)
iTransformer通过倒置Transformer的注意力与前馈网络,将时间点嵌入为变量令牌以捕捉多元相关性,在真实数据集上达到最先进性能,提升了泛化能力与回溯窗口利用率。
2024-03-14 cs.LG
An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting
University of Southampton(南安普顿大学)
该研究针对新部署站点数据不足导致的日前光伏预测难题,开发了防数据泄露的环境AI堆叠流程,在英国充电站站点验证了其优于基准模型的预测性能。
2026-09-09 cs.AI cs.LG cs.SY
TARFVAE: Efficient One-Step Generative Time Series Forecasting via TARFLOW based VAE
Meituan(美团)
TARFVAE结合Transformer自回归流与VAE,实现高效单步生成时间序列预测,提升预测效率与性能。
2025-11-28 cs.LG
Anomaly Detection using Deep Reconstruction and Forecasting for Autonomous Systems
University of Moratuwa(莫拉图瓦大学)
我们提出了自我监督的深度算法,使用正面摄像头视频和IMU读数来检测异构自治系统中的异常。鉴于视频和IMU数据不同步,因此分别分析它们中的每一个。基于视觉的系统利用条件GAN,分析刚刚过去的三帧并尝试预测下一帧。基于使用预测误差和阈值估计的差异程度,将帧分类为异常情况或正常情况。基于IMU的系统利用两种方法对时间戳进行分类;第一种是LSTM自动编码器,用于重建三个连续的IMU向量,第二种是LSTM预测器,用于使用前三个IMU向量预测下一个向量。基于重构误差、预测误差和阈值,时间戳被分类为异常情况或正常情况。算法的组成在2020年IEEE信号处理杯异常检测挑战赛中获得亚军。在由正常和异常情况组成的相机帧的竞争数据集中,我们实现了94%的测试准确率和0.95的F1分数。此外,我们在包含正常IMU数据的测试集上实现了100%的准确度,并且在异常IMU数据的测试集上实现了0.98的F1分数。
2020-06-25 cs.CV cs.LG eess.SP
Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting
本文提出一种考虑多时间跨度准确性和稳定性的度量标准,用于评估概率性多时间跨度预测的质量,通过平衡准确性和一致性要求,改进了传统最大似然估计方法。
2026-04-22 cs.LG
FinAbstain: Uncertainty-Calibrated Multimodal RAG for Selective Financial Forecasting
研究针对大语言模型在金融预测中证据不足时高置信度的问题,提出FinAbstain框架,通过多模态检索增强生成及选择性预测,经多种不确定性评估方法和指标评估,贡献了时间安全架构、复合不确定性公式和可重复评估蓝图。
2026-07-29 cs.LG
Rethinking Evaluation Metric for Probability Estimation Models Using Esports Data
PS Analytics;SK Holdings C&C
针对电子竞技胜率估计模型传统依赖准确率评估的局限,本文提出了一种名为Balance score的新评估指标,该指标能有效近似真实期望校准误差,并具备概率估计指标应有的六大良好特性。
2023-09-12 cs.LG
A Hybrid Attention Model Learning Unified Time-aware Patch Representation for Irregular Multivariate Time Series Forecasting
Southeast University(东南大学);Nanyang Technological University(南洋理工大学);Timecho Ltd.(天谋科技)
提出混合注意力模型,通过时间感知补丁编码与时间偏置注意力处理不规则多变量时间序列,在三个IMTS基准上取得最优零样本性能。
2026-09-29 cs.LG