Time Series

12 items

RESEARCHarXiv CS.LG·21/4/2026

UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration

UniMamba es un nuevo marco unificado de pronóstico espacio-temporal que integra dinámicas eficientes de modelos de espacio de estados con aprendizaje de dependencias basado en atención para abordar desafíos de series temporales multivariadas. Emplea una Capa de Codificación de Canal Variado Mamba y una Capa de Atención Temporal Espacial para capturar tanto las dependencias temporales globales como las correlaciones entre variables.

forecasting machine learning attention mechanisms State Space Models

RESEARCHarXiv CS.AI·17/4/2026

Fun-TSG: A Function-Driven Multivariate Time Series Generator with Variable-Level Anomaly Labeling

La evaluación de métodos de detección de anomalías en series temporales multivariadas es difícil por la falta de datasets de referencia detallados. Fun-TSG es un generador personalizable de series temporales que mejora esta evaluación, permitiendo la generación automatizada o manual con total transparencia.

Anomaly Detection Benchmarking Data Generation Time Series

RESEARCHarXiv CS.AI·hace 4d

GITCO: Gated Inference-Time Context Optimization in TSFMs

Este artículo presenta GITCO, un marco ligero para la optimización del contexto en tiempo de inferencia que mejora la precisión de los Modelos Fundacionales de Series Temporales (TSFMs) basados en parches. Identifica y suprime selectivamente parches dañinos sin actualizar los pesos del modelo, logrando una reducción del +1,95% en el MASE en TimesFM 2.5.

forecasting Optimization machine learning Foundation Models

RESEARCHarXiv CS.LG·15/4/2026

DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification

DBGL introduce un novedoso método de Aprendizaje de Grafos Bipartitos con Conciencia de Decaimiento para la clasificación de series temporales médicas irregulares. Emplea un grafo bipartito paciente-variable para capturar patrones de muestreo irregulares y relaciones entre variables, junto con una codificación de decaimiento temporal específica de nodo para la irregularidad de decaimiento de las variables.

Graph Neural Networks machine learning medical AI irregular data

DOCDEV.to AI·hace 12d

Recurrent Neural Networks for Time Series Forecasting

Se exploran las Redes Neuronales Recurrentes para la predicción de series temporales, destacando su capacidad para modelar secuencias de datos. Este contenido detalla cómo funcionan estas arquitecturas y sus aplicaciones prácticas en el campo de la inteligencia artificial.

neural networks forecasting deep learning machine learning

RESEARCHarXiv CS.LG·4/5/2026

Soft-MSM: Differentiable Context-Aware Elastic Alignment for Time Series

Esta investigación presenta Soft-MSM, una nueva pérdida de alineación elástica diferenciable para series de tiempo, basada en la distancia Move-Split-Merge (MSM). Soft-MSM aborda la limitación de Soft-DTW al incorporar costos de transición conscientes del contexto, lo que lo hace adecuado para la optimización basada en gradientes en tareas de aprendizaje automático como clasificación y agrupamiento.

elastic alignment machine learning Soft-MSM dynamic time warping

RESEARCHarXiv CS.LG·hace 28d

TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data

El Framework TTCD (Transformer Integrated Temporal Causal Discovery) es un enfoque novedoso de extremo a extremo diseñado para aprender relaciones causales contemporáneas y rezagadas a partir de datos complejos de series temporales no estacionarias. Este método aborda las limitaciones de las técnicas existentes al integrar atención temporal y en el dominio de la frecuencia, proporcionando una solución unificada para escenarios desafiantes del mundo real.

Causal Discovery machine learning non-stationary data Time Series

RESEARCHarXiv CS.LG·hace 8d

Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling

Unicorn es un nuevo framework para la previsión escalable de series temporales de alta dimensión, que supera la dicotomía entre modelos dependientes e independientes del canal. Utiliza un libro de códigos de prototipos latentes para aprender patrones de correlación universales, superando significativamente las arquitecturas de vanguardia en escenarios de transferencia de pocos ejemplos.

forecasting pretraining deep learning machine learning

RESEARCHarXiv CS.LG·hace 14d

Algometrics: Forecasting Under Algorithmic Feedback

Este artículo introduce la algometría, un marco para series temporales cuya evolución depende de los algoritmos predictivos que las pronostican. Distingue el riesgo histórico del riesgo de despliegue, demostrando que el riesgo de despliegue no es identificable solo a partir de datos históricos pasivos y que las clasificaciones de modelos históricos pueden invertirse bajo la aglomeración.

forecasting feedback loops algorithmic markets predictive models

RESEARCHDEV.to AI·hace 28d

Deep Time Series Models: A Comprehensive Survey and Benchmark

Este artículo ofrece una encuesta y un benchmark exhaustivos de modelos de aprendizaje profundo aplicados a datos de series temporales. Revisa sistemáticamente varias arquitecturas y su rendimiento en diferentes tareas y conjuntos de datos.

Survey deep learning machine learning Benchmarking

DOCKDNuggets·hace 26d

Time-Series Feature Engineering with Python Itertools

Aprenda a usar itertools de Python para construir características eficientes y escalables para series de tiempo. Este tutorial ofrece métodos prácticos para la ingeniería de características en datos temporales.

itertools Feature Engineering learning Python

Time-Series Feature Engineering with Python Itertools

ARTICLEDEV.to AI·11/4/2026

Comparison of different Methods for Univariate Time Series Imputation in R

Este artigo compara diferentes métodos para imputação de séries temporais univariadas, analisando suas abordagens e eficácia para lidar com dados ausentes na linguagem R.

machine learning data preprocessing R Imputation