Modeling Regime Shifts in Multiple Time Series
University of Sherbrooke(舍布鲁克大学);University of Quebec at Montreal(魁北克大学蒙特利尔分校)
我们调查的问题,发现和建模政权转移的生态系统包括多个时间序列称为共同发展的时间序列。区系转换是指序列在不同时间间隔内表现出的变化行为。学习这些变化的行为是时间序列预测的关键一步。虽然已经取得了进展,但现有方法存在以下缺点中的一个或多个:(1)未能考虑时间序列之间的关系以发现多个时间序列中的状态;(2)缺乏对序列所表现出的时间依赖行为进行建模的有效方法;(3)难以处理可能是信息性的数据不连续性。现有的大多数方法无法在一个统一的框架内处理这三个问题。因此,这促使我们努力设计一个原则性的方法来建模相互作用和时间依赖性的共同发展的时间序列。具体来说,我们通过将大量的时间序列集合总结成一个更轻、更有意义的结构(称为\textit{mapping grid})来对多个时间序列的生态系统进行建模。通过使用映射网格,我们的模型首先通过动态网络表示来学习时间序列行为依赖关系,然后通过完全时间依赖的Cox回归模型来学习状态转换机制。我们的方法的独创性在于在政权识别的时间序列之间的相互作用建模和建模时间依赖的政权转移概率,通常假设是静态的现有工作。
2022-05-13 cs.LG stat.ML
Foundations of Sequence-to-Sequence Modeling for Time Series
Google Research(谷歌研究院);Massachusetts Institute of Technology(麻省理工学院)
大量时间序列数据的可用性,以及深度学习算法在广泛问题上的性能,最近引起了人们对使用序列到序列模型进行时间序列预测的极大兴趣。我们提供了这个时间序列预测框架的第一个理论分析。我们包括序列到序列建模与经典时间序列模型的比较,因此我们的理论可以作为从业者在不同建模方法之间选择的定量指南。
2019-02-26 cs.AI cs.LG stat.ML
A Decomposition Modeling Framework for Seasonal Time-Series Forecasting
Hebei Finance University(河北金融学院);ZJU-UIUC Institute(浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院)
本文提出多尺度季节性分解模型(MSSD),通过分解时间序列为上升、峰值和下降成分,并整合Conv2d与TCN及多尺度重塑,在季节性预测中较基线降低10%误差。
2024-12-12 cs.AI cs.LG
Dateformer: Time-modeling Transformer for Longer-term Series Forecasting
Sichuan University(四川大学)
Transformers在长期序列预测方面表现出了令人印象深刻的实力。现有的预测研究主要集中在将过去的短期子序列(回顾窗口)映射到未来的序列(预测窗口)。一旦训练完成,较长的训练数据集时间序列将被丢弃。模型只能依赖回看窗口信息进行推理,这阻碍了模型从全局角度分析时间序列。而且Transformers使用的这些窗口非常窄,因为它们必须对其中的每个时间步长进行建模。在这种逐点处理风格下,扩大窗口将迅速耗尽其模型容量。对于细粒度时间序列,这导致信息输入和预测输出的瓶颈,这对长期序列预测是致命的。为了克服这个障碍,我们提出了一个全新的方法,利用Transformer的时间序列预测。具体来说,我们分裂成补丁的时间序列的一天和改革逐点逐块处理,这大大提高了Transformers的信息输入和输出。为了进一步帮助模型在推理过程中利用整个训练集的全局信息,我们提取信息,将其存储在时间表示中,并将序列替换为时间表示作为主要建模实体。我们设计的时间建模Transformer -Datemformer在7个真实世界数据集上产生了最先进的精度,相对提高了33.6%,并将最大预测范围扩展到半年。
2023-02-21 cs.AI cs.LG
An Introductory Study on Time Series Modeling and Forecasting
时间序列建模与预测在各个实际领域都具有重要意义。近年来,国内外学者对这一课题进行了大量的研究。为了提高时间序列预测的准确性和有效性,文献中提出了许多重要的模型。本论文工作的目的是提出一个简明的描述,在实践中使用的一些流行的时间序列预测模型,其显着特点。在这篇论文中,我们描述了三种重要的时间序列模型,即随机模型、神经网络模型和支持向量机模型,以及它们固有的预测优点和缺点。我们还讨论了与时间序列建模相关的基本问题,如平稳性,简约性,过拟合等。我们对不同的时间序列模型的讨论是通过给出实验预测结果来支持的,在六个实时的序列数据集上进行。在将模型拟合到数据集时,要特别注意选择最简约的模型。为了评估预测的准确性,以及比较不同的模型拟合到一个时间序列,我们使用了五个性能指标,即MSE,MAD,RMSE,MAPE和Theil的U统计。对于六个数据集中的每一个,我们都显示了所获得的预测图,该图以图形方式描绘了原始观测值和预测观测值之间的接近程度。为了在我们关于时间序列建模和预测的讨论中具有真实性和清晰性,我们采取了来自知名期刊和一些标准书籍的各种已发表的研究作品的帮助。
2013-02-26 cs.LG stat.ML
ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology(乌山国立科学技术研究院)
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架,通过周期掩码和子序列掩码分别处理季节与趋势分量,并结合对比学习,在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
Surrogate Modeling for Explainable Predictive Time Series Corrections
Software Competence Center Hagenberg(哈根贝格软件能力中心)
本文提出一种局部替代方法,通过修正经典时间序列基础模型的预测结果,揭示模型参数差异以提高可解释性,并通过实例展示方法发现数据潜在模式的能力。
2026-06-29 cs.LG stat.ML
Time Series Analysis and Modeling to Forecast: a Survey
Nantes University(南特大学)
用于预测目的的时间序列建模多年来一直是机器学习的一个活跃的研究领域。然而,迄今为止没有提供足够全面的实质性调查。本调查旨在满足这一需求。本汇编各部分采用了统一的格式。红色的线引导读者从时间序列预处理到预测。时间序列分解是一项主要的预处理任务,将非平稳效应(确定性成分)与假定为平稳的剩余随机成分分离。确定性成分是可预测的,并通过估计或外推有助于预测。将最合适的模型拟合到剩余的随机分量旨在捕获过去和未来值之间的关系,以允许预测。我们涵盖了足够广泛的模型,同时提供了大量的方法发展。我们描述了三个主要的线性参数模型,以及两个非线性扩展,并提出了五类非线性参数模型。除了传统的统计模型,我们强调了六类适用于非线性框架中时间序列预测的深度神经网络。最后,我们启发了新的研究途径的时间序列建模和预测。我们还报告软件公开提供的模型。
2021-09-26 cs.AI cs.LG
UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting
Salesforce(赛富时);University of California Los Angeles(加利福尼亚大学洛杉矶分校);National University of Singapore(新加坡国立大学)
本文提出UniTST模型,通过在展平的patch token上使用统一注意力机制直接建模多元时间序列中的序列间与序列内依赖,并引入dispatcher模块降低复杂度,在多个数据集上取得出色预测性能。
2024-06-07 cs.AI cs.LG
CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling
East China Normal University(东华大学);Shandong Inspur Database Technology Co., Ltd.(山东 Inspur 数据库技术有限公司)
CrossAD提出跨尺度重构与查询库机制,显式建模跨尺度关联并融入全局多尺度上下文,突破固定窗口限制,在多个真实数据集上以九种指标达到最先进异常检测性能。
2025-10-14 cs.LG stat.ML
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中,高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中,一种新的建模框架集成双变量经验模式分解(BEMD)和支持向量回归(SVR),扩展了成熟的经验模式分解(EMD)为基础的时间序列建模框架的能源需求预测文献,提出了电力需求的区间预测。本研究的新颖性来自就业BEMD,一个新的扩展经典经验模型分解(EMD)注定要处理二元时间序列作为复值时间序列,作为分解方法,而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列,构建在复值时间序列的形式,电力需求每月每小时的基础上,从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的,每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联,表明它是一个很有前途的方法,区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
Spliced Binned-Pareto Distribution for Robust Modeling of Heavy-tailed Time Series
AWS ProServe(亚马逊云科技专业服务);Amazon Research(亚马逊研究院)
本文提出了一种新的方法,在非平稳的情况下,鲁棒和准确地建模具有重尾噪声的时间序列。在许多实际应用中,时间序列具有严重影响经典预测模型性能的重尾噪声;特别地,精确地建模极端事件的分布对于执行精确的时间序列异常检测至关重要。我们提出了一个拼接Binned-Pareto分布,它既对极端观测具有鲁棒性,又允许对全分布进行精确建模。我们的方法允许捕获的时间依赖性的高阶矩的分布,如尾部沉重。我们比较了我们的方法的尾部估计的鲁棒性和准确性,以其他国家的最先进的方法在Twitter上提到计数时间序列。
2022-07-29 cs.LG stat.CO stat.ML
SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction
The Chinese University of Hong Kong(香港中文大学)
时间序列的一个独特性质是,在下采样为两个子序列之后,时间关系在很大程度上被保留。通过利用这一特性,我们提出了一种新的神经网络架构,进行样本卷积和交互的时间建模和预测,命名为SCINet。具体来说,SCINet是一个递归的下采样-卷积-交互架构。在每一层中,我们使用多个卷积滤波器从下采样的子序列或特征中提取独特而有价值的时间特征。通过结合这些从多个分辨率聚合的丰富特征,SCINet有效地对具有复杂时间动态的时间序列进行建模。实验结果表明,SCINet在各种真实世界时间序列预测数据集上,与现有的卷积模型和基于Transformer的解决方案相比,预测准确性得到了显着提高。我们的代码和数据可在https://github.com/cure-lab/SCINet上获得。
2022-10-13 cs.AI cs.LG
Context-Aware Probabilistic Modeling with LLM for Multimodal Time Series Forecasting
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对现有多模态时间序列预测方法难以融合外源文本、适配LLM概率特性的问题,提出CAPTime方法,通过时序编码、文本-时序对齐及分布专家混合与冻结LLM结合,实现更优的上下文感知概率预测效果与数据稀缺场景鲁棒性。
2025-07-29 cs.AI cs.LG
Magnetic Hysteresis Modeling with Neural Operators
Eindhoven University of Technology(埃因霍温理工大学);Eindhoven Artificial Intelligence Systems Institute(埃因霍温人工智能系统研究所)
本文提出用神经算子(深度算子网络、傅里叶神经算子、小波神经算子)建模磁滞,解决泛化问题,并引入速率无关傅里叶算子,实验证明优于传统神经循环方法。
2024-11-10 cs.LG cs.RO cs.SY
Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling
Tsinghua University(清华大学)
针对超关系知识图谱建模难以同时捕获语义与结构信息的问题,提出等价变换方法TransEQ,通过编码器-解码器框架结合图神经网络与评分函数,在保留完整信息的同时显著提升了模型性能。
2024-11-09 cs.AI cs.LG
Generalizing Reward Modeling for Out-of-Distribution Preference Learning
SI-TECH Information Technology(SI-TECH信息技术公司)
本文提出一种基于元学习和双层优化的通用奖励建模方法,用于在有限偏好反馈下实现分布外偏好学习,并在多个文本生成任务和留出领域上验证了其优于强基线的性能。
2024-06-08 cs.CL cs.LG
TiRex-2: Generalizing TiRex to Multivariate Data and Streaming
ELLIS Unit Linz, LIT AI Lab & Institute for Machine Learning, JKU Linz, Austria(ELLIS 林茨单元,LIT AI 实验室与机器学习研究所,林茨约翰·开普勒大学,奥地利);NXAI Lab, Linz, Austria(NXAI 实验室,林茨,奥地利);NXAI GmbH, Linz, Austria(NXAI 有限公司,林茨,奥地利);Interdisciplinary Transformation University Austria, Linz, Austria(奥地利跨学科转型大学,林茨,奥地利)
提出基于 xLSTM 的循环时间序列基础模型 TiRex-2,通过记忆中心设计实现多变量预测与流式处理,在零样本任务上达到最优性能。
2026-07-02 cs.LG
SimMTM: A Simple Pre-Training Framework for Masked Time-Series Modeling
Tsinghua University(清华大学)
针对随机掩码破坏时间序列变化导致重建困难的问题,提出 SimMTM 预训练框架,通过流形外多邻居加权聚合恢复掩码点并学习流形局部结构,在预测和分类任务中取得最优微调性能。
2023-10-23 cs.LG
Generalizing Dynamics Modeling More Easily from Representation Perspective
College of Software and Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, China(软件学院,教育部符号计算与知识工程重点实验室,吉林大学,中国);School of Computing, Belfast, Northern Ireland, UK(computing 学院,贝尔法斯特,北爱尔兰,英国)
本文提出PDEDER方法,通过预训练语言模型和Lyapunov指数目标,实现更稳定的潜在空间动态建模,提升跨系统泛化能力。
2026-03-24 cs.AI cs.LG
Derivative Delay Embedding: Online Modeling of Streaming Time Series
University of Tenneessee(田纳西大学)
来自现实世界的惊人数量的流时间序列需要更高效和有效的在线建模解决方案。对于时间序列建模,大多数现有的工作做了一些不切实际的假设,如输入数据是固定的长度或对齐,这需要额外的努力分割或规范化的原始流数据。虽然一些文献声称他们的方法是不变的数据长度和错位,他们太耗时的流时间序列建模在线的方式。我们提出了一种新的和更实用的在线建模和分类方案,DDE-MGM,它不对时间序列做任何假设,同时保持高效率和最先进的性能。微分延迟嵌入(DDE)的发展,以增量方式将时间序列的嵌入空间,其中的数据的固有特性被保存为递归模式,而不管流的长度和错位。然后,提出了一种非参数马尔可夫地理模型(MGM)的模型和分类的模式在网上的方式。实验结果表明,所提出的DDE-MGM的有效性和优越的分类精度在在线设置相比,国家的最先进的。
2016-09-24 cs.LG
HALO: Enhancing Time Series Generation via Hyperspherical Latents and Masked AutoregRessive Modeling
East China Normal University(华东师范大学)
HALO提出超球面VAE约束连续潜变量并采用掩码自回归模型,解决时间序列生成中信息丢失与误差累积问题,实现最先进性能并大幅提升推理效率。
2026-09-30 cs.LG
KnowIt: Deep Time Series Modeling and Interpretation
Faculty of Engineering, North-West University, South Africa(工程学院,北开普大学,南非);Centre for Artificial Intelligence Research (CAIR), South Africa(人工智能研究中心(CAIR),南非);National Institute for Theoretical and Computational Sciences (NITheCS), South Africa(国家理论与计算科学研究所(NITheCS),南非)
KnowIt通过构建强大深度学习模型并解释其行为,为用户提供一个灵活的时间序列知识发现平台。
2026-02-18 cs.LG
TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling
School of Software, BNRist, Tsinghua University. Jiaxiang Dong < > . Haixu Wu < >
本文提出 TimeSiam,一种基于孪生网络的时间序列自监督预训练框架,通过过去到当前子序列重建和可学习谱系嵌入捕获时间相关性,在 13 个基准上取得优于先进基线的预测与分类性能。
2024-06-07 cs.LG
An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments
Virginia Tech(弗吉尼亚理工大学);ULAK Communications Inc.(ULAK通信公司)
本文提出一种基于时间序列聚类与监督学习的自适应框架,可在无先验知识情况下为未见无线环境动态分配流量预测模型,性能较现有研究提升超50%,并适用于其他不确定环境下的机器学习任务。
2023-11-30 cs.IT cs.LG cs.NI
Network of Tensor Time Series
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院)
协同进化时间序列出现在环境监测、金融分析和智能交通等众多应用中。本文旨在解决以下挑战,包括(C1)如何纳入时间序列的显式关系网络;(C2)如何建模时间动态的隐式关系。本文提出了一种新的张量时间序列网络模型,该模型由张量图卷积网络和张量递归神经网络两个模块组成。TGCN通过将平面图的图卷积网络(GCN)推广到张量图来解决第一个挑战,张量图捕获了与张量相关的多个图之间的协同作用。TRNN利用张量分解来建模协同演化时间序列之间的隐式关系。在五个真实数据集上的实验结果证明了该方法的有效性。
2021-05-14 cs.AI cs.LG
TSKAN: Interpretable Machine Learning for QoE modeling over Time Series Data
提出TSKAN,结合Kolmogorov-Arnold网络与频域特征,在时间序列数据上实现可解释的QoE建模,提升预测精度并保持模型透明性。
2025-09-24 cs.LG cs.NI
Towards Cross-Modality Modeling for Time Series Analytics: A Survey in the LLM Era
S-Lab, Nanyang Technological University, Singapore(南洋理工大学S实验室);Aalborg University, Denmark(奥尔堡大学);University of Cologne, Germany(科隆大学);SenseTime Research, China(SenseTime研究院)
该综述系统梳理了LLM时代时间序列分析的跨模态建模方法,提出基于文本数据类型的四类分类法,总结对齐与融合等关键策略,并通过多模态实验验证有效组合,为未来研究指明方向。
2025-05-05 cs.LG stat.ML
Safe Active Learning for Time-Series Modeling with Gaussian Processes
Bosch Center for Artificial Intelligence(博世人工智能中心)
本研究提出一种在安全约束下主动学习高斯过程时间序列模型的方法,通过动态探索输入空间生成轨迹数据,并在技术应用中验证了其有效性。
2024-02-09 cs.LG stat.ML
TimeMKG: Knowledge-Infused Causal Reasoning for Multivariate Time Series Modeling
本文提出TimeMKG框架,通过大语言模型与多变量知识图谱融合变量语义和时序统计信息,以跨模态注意力注入因果先验,从而提升多变量时间序列预测与分类的性能和泛化能力。
2025-08-15 cs.AI cs.LG
Modeling Financial Time Series using LSTM with Trainable Initial Hidden States
Samsung Research Samsung Electronics Co., Ltd.(三星电子有限公司三星研究院)
在时间序列中提取先前未知的模式和信息是许多实际应用的核心。在这项研究中,我们介绍了一种使用深度学习模型建模金融时间序列的新方法。我们使用一个长短期记忆(LSTM)网络,配备了可训练的初始隐藏状态。通过学习重构时间序列,该模型可以用其参数表示高维时间序列数据。对韩国股票市场数据的实验表明,该模型能够捕捉到大量股票价格在其潜空间中的相对相似性。此外,该模型还可以从潜在空间预测未来股票的走势。该方法可以识别多个时间序列之间的关系,并可应用于金融领域,如投资组合优化。
2020-07-14 cs.LG q-fin.PM q-fin.ST
Inductive Granger Causal Modeling for Multivariate Time Series
Alibaba Group(阿里巴巴集团)
Granger因果模型是一个新兴的研究课题,它能够揭示多元时间序列数据背后的Granger因果关系。在许多现实世界的系统中,经常会遇到从具有共享共性的不同个体收集的大量多变量时间序列数据。然而,有持续关注格兰杰因果关系的适用性,在这样的大规模复杂的情景,提出了挑战和机会,格兰杰因果结构重建。现有的方法通常为每个个体训练不同的模型,存在低效率和过拟合问题。为了弥合这一差距,我们提出了一个归纳格兰杰因果关系建模(InGRA)框架的归纳格兰杰因果关系学习和共同的因果结构检测多变量时间序列,利用共享的共性,不同的个人。特别地,我们通过一种新的注意力机制(称为原型Granger因果注意力)为具有不同Granger因果结构的个体训练一个全局模型。该模型可以检测不同个体的共同因果结构,并推断新来个体的格兰杰因果结构。大量的实验以及在电子商务广告平台上的在线A/B测试证明了InGRA的优越性能。
2021-02-10 cs.LG stat.ML
Modeling of time series using random forests: theoretical developments
Columbia University(哥伦比亚大学)
本文在非线性时间序列建模的框架下研究了随机森林的渐近性质。虽然随机森林已成功地应用于各个领域,但尚未考虑在时间序列设置中使用随机森林的理论依据。在温和的条件下,我们证明了一个统一的集中不等式的回归树建立在非线性自回归过程,随后,我们用这个结果证明了一个大类的随机森林的一致性。各种模拟结果的支持。
2020-08-06 cs.LG math.ST stat.ME
Multivariate time-series modeling with generative neural networks
University of Waterloo(滑铁卢大学)
提出了一种基于生成矩匹配网络的多变量时间序列联合新息分布相关模型。针对MTS数据相关性建模的Copula-Gestival方法,提出了一种基于GMMN-Gestival方法的建模框架。首先,ARMA-GARCH模型被用来捕捉每个单变量边际时间序列内的序列相关性。其次,如果边缘时间序列的数量是大的,主成分分析(PCA)被用作降维步骤。最后,其余的横截面依赖性是通过GMMN建模,这项工作的主要贡献。GMMN是高度灵活的,易于模拟,这是一个主要的优势,copula-Gesthem方法。涉及收益率曲线建模和外汇汇率收益率分析的应用表明了GMMN-Gestern方法的实用性,特别是在产生更好的经验预测分布和做出更好的概率预测方面。
2021-10-01 cs.LG stat.ME stat.ML
Investigating a Model-Agnostic and Imputation-Free Approach for Irregularly-Sampled Multivariate Time-Series Modeling
Virginia Tech(弗吉尼亚理工大学);Oak Ridge National Lab(橡树岭国家实验室);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出一种无需插值的模型无关方法MissTSM,用于不规则采样多变量时间序列建模,在高缺失率和无周期结构条件下表现优异。
2026-01-12 cs.AI cs.LG
PSO-MISMO Modeling Strategy for Multi-Step-Ahead Time Series Prediction
多步时间序列预测是时间序列建模与预测领域中最具挑战性的研究课题之一,一直处于研究之中。最近,多输入多输出(MISMO)建模策略已被提出作为一个有前途的替代多步提前时间序列预测,表现出的优势相比,目前的两个主要策略,迭代和直接的策略。建立在已建立的MISMO策略,本研究提出了一种基于粒子群优化(PSO)的MISMO建模策略,这是能够确定的子模型的数量在一个自适应的模式,具有不同的预测视野。而不是从已建立的MISMO中获得具有相等大小的预测范围的清晰划分,所提出的PSO-MISMO策略,用神经网络实现,采用启发式方法来创建具有不同大小的预测范围的灵活划分,并生成相应的子模型,在模型构建中提供了相当大的灵活性,这已经用模拟和真实数据集进行了验证。
2013-12-31 cs.AI cs.LG cs.NE
Routine Modeling with Time Series Metric Learning
Orange Labs(Orange实验室);LIRIS(里昂信息与图像系统实验室);CNRS(法国国家科学研究中心);INSA-Lyon(里昂国立应用科学学院)
传统上,人类活动的自动识别是在有限的特定活动集合上利用监督学习算法来执行的。这项工作提出了识别经常性的活动模式,称为例程,而不是精确定义的活动。例程的建模被定义为一个度量学习问题,并提出了一个架构,称为SS2S,基于序列到序列模型来学习时间序列之间的距离。这种方法仅依赖于惯性数据,因此是非侵入性的,并保护隐私。实验结果表明,提供学习距离的聚类算法能够恢复日常惯例。
2019-07-08 cs.AI cs.LG stat.ML
Trajectory Flow Matching with Applications to Clinical Time Series Modeling
McGill University(麦吉尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Yale School of Medicine(耶鲁医学院);School of Clinical Medicine, University of Cambridge(剑桥大学临床医学院);Université de Montréal(蒙特利尔大学);CIFAR(加拿大高级研究院)
本文提出轨迹流匹配(TFM)方法,以无仿真方式训练神经常微分方程,避免通过动力学反向传播,从而提升训练稳定性和可扩展性,并在三个临床时间序列数据集上取得更优的性能和不确定性预测。
2025-02-04 cs.AI cs.LG stat.ML
Sparse plus low-rank autoregressive identification in neuroimaging time series
University of Cambridge(剑桥大学)
本文提出利用交替方向乘子法解决多变量自回归稀疏加低秩图模型问题,针对神经影像数据规模进行扩展,重点展示低秩结构捕捉时空结构的能力。
2015-03-30 cs.LG cs.SY eess.SY
Linear, Machine Learning and Probabilistic Approaches for Time Series Analysis
Ivan Franko National University of Lviv(利沃夫伊万·弗兰科国立大学)
在本文中,我们研究了时间序列建模的不同方法。介绍了线性模型、ARIMA算法、XGBoost机器学习算法的预测方法。显示了不同模型组合的结果。对于概率建模的方法,使用Copula和贝叶斯推断被认为是。
2017-02-26 cs.LG stat.AP stat.ME
Learning Beyond Experience: Generalizing to Unseen State Space with Reservoir Computing
Department of Physics, University of Maryland, College Park, Maryland 20742, USA(大学物理系,马里兰大学,学院公园,马里兰州,20742,美国);Santa Fe Institute, Santa Fe, New Mexico 87501, USA(圣菲研究所,圣菲,新墨西哥州,87501,美国);Institute for Research in Electronics and Applied Physics, University of Maryland, College Park, Maryland 20742, USA(电子与应用物理研究所,马里兰大学,学院公园,马里兰州,20742,美国);Institute for Physical Science and Technology, University of Maryland, College Park, Maryland 20742, USA(物理科学与技术研究所,马里兰大学,学院公园,马里兰州,20742,美国)
针对机器学习建模动力系统时因缺乏显式结构先验难以泛化的问题,提出储层计算的多轨迹训练方案,实现了仅用单个吸引域数据训练的模型对未观测吸引域行为的域外泛化。
2025-10-02 cs.LG math.DS nlin.CD