Über unsTopKurse
← heapsort-ai

Time Series Analysis

8 items

RESEARCHarXiv CS.LG·vor 1T

TriHead-GAN: A Generative Adversarial Network with Triple-Head Discriminator for Carbon Emission Time Series Generation

TriHead-GAN schlägt ein Transformer-basiertes Generative Adversarial Network mit einem Triple-Head-Diskriminator vor, um der Knappheit von Kohlenstoffemissionsdaten auf Stadtebene zu begegnen. Dieses Framework verbessert die Zeitreihengenerierung, indem es im Vergleich zu bestehenden Modellen Kreuzvariablenkorrelationen und realistische schrittweise Variabilität besser erhält.

deep learningCarbon EmissionsTime Series AnalysisClimate AI
46
RESEARCHarXiv CS.LG·4/21/2026

CGCMA: Conditionally-Gated Cross-Modal Attention for Event-Conditioned Asynchronous Fusion

Dieser Artikel untersucht die asynchrone Ausrichtung im multimodalen Lernen, bei der ein dichter Primärstrom mit sporadischem externem Kontext fusioniert werden muss, was Modelle dazu zwingt, explizit über Aktualität und Vertrauen nachzudenken. Er schlägt CGCMA (Conditionally-Gated Cross-Modal Attention) vor, ein Modell, das die textkonditionierte Erdung von der verzögerungsbewussten Vertrauenskontrolle trennt und an Kryptowährungsmärkten getestet wird.

multimodal AImachine learningattention mechanismsTime Series Analysis
27
RESEARCHarXiv CS.LG·vor 12T

Continuity and Ordinality Matter: Constraining Time Series Tokens for Effective Time Series Analysis with Large Language Models

Dieses Papier stellt COM (Continuity and Ordinality Matter) vor, eine Strategie, die geometrische Einschränkungen in die Initialisierungs- und Trainingsphasen von tokenbasierten Zeitreihen-Sprachmodellen (TS-LLMs) integriert. Die Forschung zeigt, dass die Beibehaltung von Kontinuität und Ordinalität in den Zeitreihen-Token-Embeddings die Modellleistung und Generalisierbarkeit erheblich verbessert.

machine learningTokenizationlarge language modelsTime Series Analysis
27
RESEARCHarXiv CS.LG·vor 13T

Comparative Analysis of Liquid Neural Networks and LSTM for Sequential Pattern Recognition: Robustness, Efficiency, and Clinical Utility

Liquid Neural Networks (LNNs) modellieren die Entwicklung des verborgenen Zustands als kontinuierliche Differentialgleichung, im Gegensatz zu diskreten RNNs und LSTMs. Diese Studie vergleicht LNNs mit LSTMs in vier sequenziellen Modalitäten und zeigt die überlegene Parameterffizienz und Robustheit von LNNs, insbesondere in nativen Zeitbereichen und klinischen Umgebungen.

neural networksClinical AIdeep learningmachine learning
27
RESEARCHarXiv CS.AI·4/22/2026

On Solving the Multiple Variable Gapped Longest Common Subsequence Problem

Dieses Papier behandelt das Problem der Variable Gapped Longest Common Subsequence (VGLCS), eine Verallgemeinerung des LCS-Problems mit flexiblen Lückenbeschränkungen, relevant für den Vergleich molekularer Sequenzen und die Zeitreihenanalyse. Es wird ein Suchrahmenwerk basierend auf einer wurzelbasierten Zustandsgraphendarstellung und einer iterativen Beam-Search-Strategie vorgeschlagen, um die kombinatorische Explosion zu bewältigen und qualitativ hochwertige Lösungen zu finden.

search algorithmsOptimizationAlgorithmsTime Series Analysis
26