Time Series

12 items

RESEARCHarXiv CS.LG·21/04/2026

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

UniMamba est un nouveau cadre unifié de prévision spatio-temporelle qui intègre des dynamiques efficaces de modèles d'état avec l'apprentissage des dépendances basé sur l'attention pour relever les défis des séries temporelles multivariées. Il utilise une couche d'encodage de canal varié Mamba et une couche d'attention spatio-temporelle pour capturer à la fois les dépendances temporelles globales et les corrélations inter-variables.

forecasting machine learning attention mechanisms State Space Models

RESEARCHarXiv CS.AI·17/04/2026

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

L'évaluation des méthodes de détection d'anomalies dans les séries temporelles multivariées reste un défi en raison du manque de jeux de données de référence détaillés. Fun-TSG est un générateur de séries temporelles personnalisable conçu pour améliorer cette évaluation, permettant une génération automatique ou manuelle avec une transparence totale.

Anomaly Detection Benchmarking Data Generation Time Series

RESEARCHarXiv CS.AI·il y a 4j

GITCO: Gated Inference-Time Context Optimization in TSFMs

Cet article présente GITCO, un cadre léger d'optimisation du contexte au moment de l'inférence qui améliore la précision des modèles de fondation de séries temporelles (TSFMs) basés sur des patchs. Il identifie et supprime sélectivement les patchs nuisibles sans mettre à jour les poids du modèle, obtenant une réduction de +1,95% du MASE sur TimesFM 2.5.

forecasting Optimization machine learning Foundation Models

RESEARCHarXiv CS.LG·15/04/2026

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

DBGL introduit une nouvelle méthode d'apprentissage par graphe bipartite sensible à la décroissance pour la classification des séries temporelles médicales irrégulières. Elle utilise un graphe bipartite patient-variable pour modéliser les schémas d'échantillonnage irréguliers et les relations entre variables, ainsi qu'un encodage de décroissance temporelle spécifique aux nœuds pour l'irrégularité de décroissance des variables.

Graph Neural Networks machine learning medical AI irregular data

DOCDEV.to AI·il y a 12j

Recurrent Neural Networks for Time Series Forecasting

Les Réseaux de Neurones Récurrents sont explorés pour la prévision de séries temporelles, soulignant leur capacité à modéliser des séquences de données. Ce contenu détaille le fonctionnement de ces architectures et leurs applications pratiques dans le domaine de l'intelligence artificielle.

neural networks forecasting deep learning machine learning

RESEARCHarXiv CS.LG·04/05/2026

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

Cette recherche introduit Soft-MSM, une nouvelle perte d'alignement élastique différentiable pour les séries temporelles, basée sur la distance Move-Split-Merge (MSM). Soft-MSM corrige la limitation de Soft-DTW en intégrant des coûts de transition sensibles au contexte, le rendant adapté à l'optimisation basée sur le gradient dans les tâches d'apprentissage automatique comme la classification et le clustering.

elastic alignment machine learning Soft-MSM dynamic time warping

RESEARCHarXiv CS.LG·il y a 28j

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

Le cadre TTCD (Transformer Integrated Temporal Causal Discovery) est une nouvelle approche de bout en bout conçue pour apprendre les relations causales contemporaines et décalées à partir de données complexes de séries temporelles non stationnaires. Cette méthode aborde les limites des techniques existantes en intégrant l'attention temporelle et dans le domaine fréquentiel, offrant une solution unifiée pour des scénarios réels exigeants.

Causal Discovery machine learning non-stationary data Time Series

RESEARCHarXiv CS.LG·il y a 8j

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

Unicorn est un nouveau framework pour la prévision évolutive des séries temporelles de haute dimension, comblant le fossé entre les modèles existants en apprenant des motifs d'interaction universels. Il utilise un carnet de codes de prototypes latents, surpassant les architectures de pointe, surtout dans les scénarios de transfert à faible nombre d'exemples.

forecasting pretraining deep learning machine learning

RESEARCHarXiv CS.LG·il y a 14j

Algometrics: Forecasting Under Algorithmic Feedback

Cet article introduit l'algométrie, un cadre pour les séries temporelles dont l'évolution dépend des algorithmes prédictifs qui les prévoient. Il distingue le risque historique du risque de déploiement, prouvant que le risque de déploiement n'est pas identifiable uniquement à partir de données historiques passives et que les classements de modèles historiques peuvent s'inverser en cas de surcharge.

forecasting feedback loops algorithmic markets predictive models

RESEARCHDEV.to AI·il y a 28j

Deep Time Series Models: A Comprehensive Survey and Benchmark

Cet article propose une étude et un benchmark complets des modèles d'apprentissage profond appliqués aux données de séries temporelles. Il examine systématiquement diverses architectures et leurs performances sur différentes tâches et ensembles de données.

Survey deep learning machine learning Benchmarking

DOCKDNuggets·il y a 26j

Time-Series Feature Engineering with Python Itertools

Apprenez à utiliser itertools de Python pour créer des fonctionnalités de séries temporelles efficaces et évolutives. Ce contenu propose des méthodes pratiques pour l'ingénierie des fonctionnalités dans les données temporelles.

itertools Feature Engineering learning Python

Time-Series Feature Engineering with Python Itertools

ARTICLEDEV.to AI·11/04/2026

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