ICLR 2025 | 时间序列(Time Series)高分论文汇总

TimeMixer:用于时间序列预测的可分解多尺度混合模型 在时间序列预测领域,准确捕捉复杂的时间变化是关键挑战。本文介绍的“TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting”提出了创新的TimeMixer模型,在长短期预测任务中均展现卓越性能。 阅读详情
AI摘要

ICLR 2025已进入meta - review阶段,本文总结了其中时间序列高分论文。挑选原则为均分大于等于6。文中列出了32篇论文,涉及多任务预测、因果发现、变分推断等多个方向,还给出了各论文链接、分数、关键词等信息。

ICLR2025已经结束了讨论阶段,进入了meta-review阶段,分数应该不会有太大的变化了,本文总结了其中时间序列(Time Series)高分的论文。如有疏漏,欢迎大家补充。

挑选原则:均分要大于等于6(即使有3,但是有8或者更高的分拉回来也算)

1 TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis

链接:https://openreview.net/forum?id=1CLzLXSFNn

分数:6810

关键词:多任务(预测,分类,插补,异常检测),基础模型

keywords: time series, pattern machine, predictive analysis

TL; DR :TimeMixer++ is a time series pattern machine that employs multi-scale and multi-resolution pattern extraction to deliver SOTA performance across 8 diverse analytical tasks, including forecasting, classification, anomaly detection, and imputation.

2 Root Cause Analysis of Anomalies in Multivariate Time Series through Granger Causal Discovery

链接:https://openreview.net/forum?id=k38Th3x4d9

分数:88888

关键词:因果发现

keywords:root cause analysis, Granger causality, multivariate time series

AERCA

3 Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series

链接:https://openreview.net/forum?id=8zJRon6k5v

分数:8888

关键词:变分推断,不规则时间序列,状态空间模型

keywords:stochastic optimal control, variational inference, state space model, irregular time series

TL; DR:We propose a multi-marginal Doob's $h$-transform for irregular time series and variational inference with stochastic optimal control to approximate it.

4 Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts

链接:https://openreview.net/forum?id=e1wDDFmlVu

分数:688

关键词:预测,基础模型,混合专家系统

keywords:time series, foundation model, forecasting

Time-MoE

5 Label Correlation Biases Direct Time Series Forecast

链接:https://openreview.net/forum?id=4A9IdSa1ul

分数:8686

关键词:长时预测,频域

keywords:Time series, Long-term Forecast

TL; DR:Learning to forecast in the frequency domain significantly enhances forecasting performance.

6 Fast and Slow Streams for Online Time Series Forecasting Without Information Leakage

链接:https://openreview.net/forum?id=I0n3EyogMi

分数:6688

关键词:在线预测,流式数据,概念飘逸

keywords:online time series forecasting, concept drift, online learning

TL; DR: Redefined the setting of online time series forecasting to prevent information leakage and proposed a model-agnostic framework for this setting.

7 Shifting the Paradigm: A Diffeomorphism Between Time Series Data Manifolds for Achieving Shift-Invariancy in Deep Learning

链接:https://openreview.net/forum?id=nibeaHUEJx

分数:6688

关键词:频域,平移不变性

keywords:Time series analysis, invariance in neural networks

8 Optimal Transport for Time Series Imputation

链接:https://openreview.net/forum?id=xPTzjpIQNp

分数:588

关键词:插补,最优传输

keywords: Time series, Imputation

9 Constrained Posterior Sampling: Time Series Generation with Hard Constraints

链接:https://openreview.net/forum?id=pKMpmbuKnd

分数:5688

关键词:时间序列生成,扩散模型

keywords:Time Series Generation, Posterior Sampling, Diffusion Models, Controlled Generation

10 A Simple Baseline for Multivariate Time Series Forecasting

链接:https://openreview.net/forum?id=oANkBaVci5

分数:5688

关键词:预测,小波变换

keywords:Time Series Forecasting, Wavelets

11 Shedding Light on Time Series Classification using Interpretability Gated Networks

链接:https://openreview.net/forum?id=n34taxF0TC

分数:56688

关键词:可解释性,Shapelet(特征提取)

keywords:Interpretability, Time-series, Shapelet

TL; DR: A framework to integrate interpretable models with deep neural networks for interpretable time-series classification.

12 Multi-Resolution Decomposable Diffusion Model for Non-Stationary Time Series Anomaly Detection

链接:https://openreview.net/forum?id=eWocmTQn7H

分数:6668

关键词:异常检测,多分辨率,扩散模型

keywords:Diffusion Model, Non-Stationary Time Series, Anomaly Detection, Multi-Resolution

TL; DR:This paper delves into the potential of multi-resolution technique and diffusion model for non-stationary time series anomaly detection, supported by rigorous mathematical proofs.

13 CATCH: Channel-Aware Multivariate Time Series Anomaly Detection via Frequency Patching

链接:https://openreview.net/forum?id=m08aK3xxdJ

分数:5668

关键词:异常检测,频域

keywords: Multivariate Time Series, Anomaly Detection

CATCH

14 CoMRes: Semi-Supervised Time Series Forecasting Utilizing Consensus Promotion of Multi-Resolution

链接:https://openreview.net/forum?id=bRa4JLPzii

分数:5668

关键词:多尺度,半监督

keywords:Time series forecasting, Multi-scale, Semi-supervised learning

TL; DR:we propose a novel semi-supervised time series forecasting utilzing con

15 Towards Neural Scaling Laws for Time Series Foundation Models

链接:https://openreview.net/forum?id=uCqxDfLYrB

分数:5668

keywords:Time series, scaling law, foundation model, transformer, forecasting

16 Quantifying Past Error Matters: Conformal Inference for Time Series

链接:https://openreview.net/forum?id=RD9q5vEe1Q

分数:5668

关键词:不确定性量化,分布偏移

keywords:Time Series; Uncertainty Quantification; Conformal Prediction; Distribution Shift

17 TVNet: A Novel Time Series Analysis Method Based on Dynamic Convolution and 3D-Variation

链接:https://openreview.net/forum?id=MZDdTzN6Cy

分数:5668

关键词:卷积

keywords:Time series Analysis, Dynamic convolution, Deep Learning

TL; DR:New time series modeling perspective based 3D-variation and new analysis framework based dynamic convolution

18 In-context Time Series Predictor

链接:https://openreview.net/forum?id=dCcY2pyNIO

分数:3668

关键词:预测,上下文学习

keywords:Time Series Forecasting, In-context Learning, Transformer

19 Compositional simulation-based inference for time series

链接:https://openreview.net/forum?id=uClUUJk05H

分数:566668

关键词:贝叶斯推断

keywords:Simulation-based inference, Bayesian inference, time series, markovian simulators, Amortized Bayesian inference

FNSE

20 Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders

链接:https://openreview.net/forum?id=aKcd7ImG5e

分数:6666

关键词:异常检测

keywords:Time series, Anomaly detection

TL; DR:We propose a general time series anomaly detection model that is pre-trained on multi-domain datasets and can subsequently apply to many downstream scenarios

21 TimeKAN: KAN-based Frequency Decomposition Learning Architecture for Long-term Time Series Forecasting

链接:https://openreview.net/forum?id=wTLc79YNbh

分数:3588

关键词:预测,KAN

keywords:kolmogorov-Arnold Network; Time Series Forecasting

TimeKAN

22 Investigating Pattern Neurons in Urban Time Series Forecasting

链接:https://openreview.net/forum?id=a9vey6B54y

分数:6666

关键词:时空预测(更像是),城市时间序列预测模型

keywords:urban time series forecasting, neuron detection

PN-Train

23 Locally Connected Echo State Networks for Time Series Forecasting

链接:https://openreview.net/forum?id=KeRwLLwZaw

分数:6666

关键词:回声状态网络

keywords:Time Series Analysis, Time Series Forecasting, Recurrent Networks, Regression, Echo State Networks

TL; DR: Improved locally connected ESN method comparable with state-of-the-art on real-world time series datasets.

24 Diffusion-based Decoupled Deterministic and Uncertain Framework for Probabilistic Multivariate Time Series Forecasting

链接:https://openreview.net/forum?id=HdUkF1Qk7g

分数:6666

关键词:长时预测,扩散模型

keywords:long-term time series forecasting, deep learning, diffusion model

D^3U

25 TS-LIF: A Temporal Segment Spiking Neuron Network for Time Series Forecasting

链接:https://openreview.net/forum?id=rDe9yQQYKt

分数:666

关键词:脉冲神经网络

keywords:spiking neural network, time series forecasting, Application

TL; DR:We proposed a Temporal Segment Spiking Neuron Network (TS-LIF) for multivariate time series forecasting, supported by stability analysis and frequency response analysis to demonstrate its effectiveness and efficiency.

26 Exploring Representations and Interventions in Time Series Foundation Models

链接:https://openreview.net/forum?id=IRL9wUiwab

分数:6666

keywords:Time Series Foundation Models, Model Steering, Interpretability, Pruning

TL; DR:We investigate why time series foundation models work, the kinds of concepts that these models learn, and how can these concepts be manipulated to influence their outputs?

27 FLDmamba: Integrating Fourier and Laplace Transform Decomposition with Mamba for Enhanced Time Series Prediction

链接:https://openreview.net/forum?id=9EiWIyJMNi

分数:556668

关键词:Mamba,FFT

keywords:Mamba; Time Series Prediction

FLDmamba

28 KooNPro: A Variance-Aware Koopman Probabilistic Model Enhanced by Neural Processes for Time Series Forecasting

链接:https://openreview.net/forum?id=5oSUgTzs8Y

分数:66666

keywords:Probabilistic time series prediction; Neural Process; Deep Koopman model

29 Context-Alignment: Activating and Enhancing LLMs Capabilities in Time Series

链接:https://openreview.net/forum?id=syC2764fPc

分数:6666

keywords:Time Series, Large Language Models, Context-Alignment

TL; DR:LLMs for time series tasks

30 TwinsFormer: Revisiting Inherent Dependencies via Two Interactive Components for Time Series Forecasting

链接:https://openreview.net/forum?id=BSsyY29bcl

分数:55568

keywords:Inherent Dependencies, Interactive Components, Time Series Forecasting

TL; DR:A novel Transformer-and decomposition-based framework using residual and interactive learning for time series forecasting.

31 DyCAST: Learning Dynamic Causal Structure from Time Series

链接:https://openreview.net/forum?id=WjDjem8mWE

分数:3668

关键词:

TL; DR:dynamic causal discovery; time series

32 Drift2Matrix: Kernel-Induced Self Representation for Concept Drift Adaptation in Co-evolving Time Series

链接:https://openreview.net/forum?id=prSJlvWrgE

分数:3866

TL; DR:co-evolving time series, concept drift, kernel representation learning

 时间序列领域做毕设!论文方向没灵感没创新点?Informer+Timesnet代码复现,80篇+前沿论文,110篇顶会顶刊原文/演示应有尽有!来领一份。

论文精读:ROOT CAUSE ANALYSIS OF ANOMALIES IN MULTI VARIATE TIME SERIES THROUGH GRANGER CAUSAL 根本原因识别是定位在特定时间步长。 阅读详情

相关推荐

TimeMixer: 可分解的多尺度混合用于时间序列预测

时间序列预测广泛应用于交通规划和天气预报等众多领域。然而,现实世界中的时间序列通常表现出复杂的时间变化,使得预测极具挑战性。超越简单分解和多周期分析的主流范式,我们从多尺度混合的新视角分析时间变化,这一视角基于一个直观但重要的观察:时间序列在不同的采样尺度上呈现出不同的模式。微观和宏观信息分别在细尺度和粗尺度中反映,从而复杂的变化可以本质上被解开。

数智笔记 1070

TIMEMIXER: DECOMPOSABLE MULTISCALE MIXING FOR TIME SERIES FORECASTING

时间序列预测广泛应用于交通规划和天气预报等广泛应用中。然而,现实世界的时间序列通常呈现复杂的时间变化,使得预测极具挑战性。超越简单分解和多周期分析的主流范式,我们以多尺度混合的新颖观点分析时间变化,该观点基于直观但重要的观察,即时间序列在不同采样尺度下呈现不同的模式。微观和宏观信息分别反映在精细和粗尺度上,从而可以从本质上理清复杂的变化。

weixin_45731480的博客 2449

ICLR 2025 | TIMEMIXER++:通用时序预测新SOTA,全面超越Transformer!

本文提出了 TIMEMIXER++,一个为通用预测分析设计的时序模式机器。通过创新的多分辨率时间成像、基于双轴注意力的模式分解以及多尺度/多分辨率混合技术,TIMEMIXER++ 能够无缝地在不同层级上融合和提取信息,展现出强大的表示能力。全面的实验评估证明,TIMEMIXER++ 在各类时间序列任务中一致地优于现有模型,为构建下一代通用时间序列分析工具奠定了坚实的基础。

2501_91070801的博客 1912

发现了一个顶会2025投稿新风口,接受数量翻倍!

顶会ICLR 2024刚刚落幕,官方便宣布下届将在亚洲举办,参考往年会议安排,ICLR 2025即将开放注册,9月下旬截止投稿,众多热门研究领域里,因近年大模型爆火,而再次备受瞩目的时间序列方向,顶会收录数量逐年攀升,其中接受最多的ICLR,2024比2023足足翻了一倍,将近50篇的研究成果,预测方向更是占了近一半。为了帮助大家高效找idea,我们特为大家整理了ICLR 2024、2023收录论...

gzq0723的博客 6771

20道SpringSecurity常见面试题汇总(超详细回答 !!!)

本文中,我们将探讨一些与 Spring Security 相关的面试问题。Spring Security 是一款流行的 Java 应用程序安全框架,它提供了一套全面且易于使用的安全解决方案。

小斜同学的博客 3076

2026年AI技能进阶指南:从提示词工程到智能体开发实战

提示词工程作为AI时代的基础沟通技能,其核心原理是通过系统化的交互方法论实现与大模型的高效对话。这项技术通过明确性、具体性和可操作性的设计原则,显著提升了AI生成内容的质量和实用性。在工程实践层面,提示词工程已经发展出角色扮演、步骤分解等成熟模式,广泛应用于代码生成、技术方案设计等场景。随着AI智能体开发的兴起,提示词工程进一步演化为定义智能体身份认知和行为规范的系统接口设计,成为构建自主AI系统的关键技术基础。掌握从基础提示词到智能体开发的完整技能栈,能够帮助开发者在AI技术浪潮中保持核心竞争力。

weixin_33139275的博客 333

ICLR 2025 | 时间序列(Time Series)高分论文总结

ICLR2025已经结束了讨论阶段,进入了meta-review阶段,分数应该不会有太大的变化了,本文总结了其中时间序列(Time Series)高分的论文。如有疏漏,欢迎大家补充。:均分要大于等于6(≥6,即使有3,但是有8或者更高的分拉回来也算):预测,插补,分类,生成,因果分析,异常检测,LLM以及基础模型(还有KAN和Mamba各一篇)等内容。

suzukiwudi的博客 7280

【MagicDrive环境配置】新手配俩星期版

1.创建一个新的环境conda create -n newdrive python==3.82.激活该环境conda activate newdrive3.下载MagicDrive源码 git clone --recursive https://github.com/cure-lab/MagicDrive.git,如果出现时间超时八成是网的问题,直接自己下载解压就好3.我的cuda版本是11.7,但11.7导致后续安装有冲突,因此进入。

m0_46261292的博客 2203

ICLR 2025 | 时间序列(Time Series)论文总结

ICLR 2025将在2025年4月24日到28日于新加坡举行。ICLR 2025共有11,565篇投稿,录取率32.08%。本文总结了2025 ICLR上有关时间序列(time series)相关论文。如有疏漏,欢迎大家补充。:预测,插补,分类,生成,因果分析,异常检测,LLM以及基础模型等内容。

suzukiwudi的博客 4134

Kettle 连接 Oracle 数据库全流程指南

例如:C:\Oracle\product\19.0.0\dbhome_1\jdbc\lib\ojdbc8.jar 2. 替换 Kettle 驱动文件 将驱动文件复制到 Kettle 的 目录: 删除旧版本驱动:如 ojdbc14.jar 只能保留一个oracle驱动 重启 Kettle 以加载新驱动 二、配置数据库连接 1. 启动 Kettle 并新建转换 运行 (Windows)或 (Linux)。 新建转换(Transformation),添加 “表输入” 步骤,双击进入配置。 2.

qq_44724453的博客 3482

RPCA模型及GoDec算法

一、基础知识 在线性代数中,秩的物理意义是矩阵中最大的不相关的向量个数,因此秩可以用来度量相关性;而在图像处理中,秩就可以理解为图像中所包含的信息的丰富程度。图片中比较突兀的成分,会增加图像矩阵的秩,一幅清晰的自然图像其数据矩阵往往是低秩或者近似低秩的,这是因为其中的图像信息有很大的相关性,但如果图像中引入噪声,那么存在随机幅值任意大但是分布稀疏的误差破坏了原有数据的低秩性。 低秩矩阵:如果AAA是一个m×nm×nm×n的矩阵,rank(A)rank(A)rank(A)是矩阵AAA的秩,如果rank(A)

小席的学习日志 7688

ICLR 2025 Time Series 时间序列论文汇总(论文链接)

本文摘要介绍了多个时间序列分析与预测的前沿模型与方法。包括通用预测模型TimeMixer++、基于Granger因果的异常根因分析、连续状态空间Feynman-Kac模型的概率方法等口头报告,以及在线预测、最优传输插补、扩散模型概率预测等海报展示。研究涵盖时间序列分类、异常检测、概率预测、因果发现等多个方向,采用了深度学习、贝叶斯方法、最优传输、扩散模型等技术,并探索了大语言模型在时间序列分析中的应用。这些工作推动了时间序列分析在可解释性、概率建模和通用基础模型方面的发展。

u014546828的博客 1142

Unity如何实现数字人口型同步

SALSA LipSync v2是一款实时唇音同步系统,无需音素映射即可根据音频自动生成口型动画。系统提供三大核心功能:基于音频波形分析的智能口型同步、EmoteR表情随机化工具以及Eyes眼睛/头部追踪系统。配置流程简单快捷,只需导入模型后通过一键配置完成基础设置,再添加A/E/I/O/U等基本口型混合变形即可实现基础功能。进阶功能支持表情池管理(手动/随机/强调/重复触发)和眼部动作配置(骨骼旋转或混合变形)。系统支持三种输入方式:本地音频文件分析、麦克风实时输入和文本转语音,为数字人角色提供完整的表情

TxNet 761

IJCAI 2025 | 时间序列(Time Series)论文总结

本文总结了2025 IJCAI上有关时间序列(time series)相关论文,共计26篇。时间序列Topic:预测,异常检测,因果发现,时序分析,LLM应用,多模态等。其中23-26为Survey Track,1为蒙特利尔会场,其余Main Track论文为广州会场。

suzukiwudi的博客 2095

使用MiniExcel.SaveAsByTemplate快速地保存百万数据

该代码展示了如何使用MiniExcel快速生成并导出百万级销售数据。核心方法GenerateLargeData()可生成指定数量的随机销售记录,包含客户名、日期、VIP状态、积分等20个字段。通过随机函数模拟真实数据分布,并支持自定义数据量(默认100万条)。配合Excel模板使用MiniExcel.SaveAsByTemplate()方法,能高效地将大数据量导出为Excel文件,且处理速度极快。代码结构清晰,包含数据生成、随机日期辅助方法和数据模型类,适合需要批量生成测试数据或导出大型报表的场景。

大坡3D软件开发 253

C#上位机与西门子PLC全链路通信实战教程:数据采集+SQL存储+数据库报表查询+报警历史完整实现

在工业自动化领域,西门子PLC(S7-200Smart/1200/1500)凭借稳定的性能、强大的功能、完善的生态,稳居工业控制器的主流地位;而凭借开发效率高、界面美观、兼容性强、数据库操作便捷的优势,成为工业上位机开发的首选编程语言。二者的组合,是目前制造业、自动化产线、智能仓储、暖通自控等场景的绝对主流方案,也是工业上位机工程师必须吃透的核心技术栈。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1864

ICLR 2025 | 绝了!最新“时间序列创新点”梳理!50+篇论文、6大研究方向!

域最近几年的变化非常大,因为尽管传统的时序模型已经可以解决很多问题,但深度学习的加入给我们带来了全新的发展视角,出现了很多新的时间序列研究方向,比如Mamba+时间序列、扩散模型+时间序列...目前,时间序列依然备受关注,在CVPR、ICLR、AAAI等顶会上都是发文的热门主题。这篇文章就给大家汇总一下最近比较热门的时间序列研究创新点,目前共整理了时间序列基础模型扩散模型+时间序列Mamba+时间序列频域+时间序列多尺度时间序列多变量时间序列全部论文+开源代码需要的同学看文末。

学姐带你玩AI的博客 1万+

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

ICLR 2025 | LLMS能理解时间序列异常吗?

在本文中,我们对大型语言模型(LLMs)对时间序列数据的理解及其异常检测能力进行了全面调查。我们的研究结果对当前文献中普遍存在的若干假设提出了挑战,强调了对有关 LLM 行为假设进行严格实证验证的必要性。我们的主要发现包括 LLM 的视觉优势、有限的推理能力、非人类般的处理方式以及模型特定的能力。这些见解对未来 LLM 的设计以及异常检测系统的开发具有重要意义。例如,我们的结果表明 LLM 无法有效检测视觉频率异常,因此基于视觉-LLM 的异常检测系统在将数据输入 LLM 之前应利用傅里叶分析来提高性能。

2501_91070801的博客 1044

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

时间序列ICLR2025论文汇总

论文都汇总到github上,随时更新:论文网址

Ho_S_G的博客 677

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

如何用Time-Series-Library轻松掌握深度学习时间序列分析?2025年完整指南

在数据分析领域,时间序列数据无处不在,从股票价格波动到气象变化趋势,从工业设备传感器数据到用户行为轨迹。**Time-Series-Library**(简称TSLib)作为一款专为深度学习研究者打造的开源工具,集成了30+种先进时间序列模型,覆盖长短期预测、异常检测、数据填补和分类五大核心任务,让复杂的时间序列分析变得简单高效。 ## ???? 为什么选择Time-Series-Library? ...

gitblog_00115的博客 960

论文笔记:TVNet (ICLR2025)

这是2025年发表在ICLR的一篇文章,这篇文章的通讯作者是浙大国际联合学院(ZJU-UIUC) 的刁瑞盛教授,这两位共一现在分别是清华深研院和港科大的学生,这篇文章应该是他们本科在浙大时跟着这个刁教授完成的工作,他们的主要研究方向是AI for Electricity。这篇文章引入了一种3d嵌入技术,将一维时间序列张量转换为三维张量,并提出了TVNet (time - video Net)网络架构,利用动态卷积来有效地捕获补丁内、补丁间和跨变量依赖关系,进行全面的时间序列分析,该模型在多个任务中性能卓越。

gone_with_heart的博客 1395

时间序列长短时记忆模型:Time-Series-Library实现

你是否在处理时间序列数据时面临以下挑战:长序列依赖捕捉困难、多变量交互建模复杂、不同任务(预测/异常检测/分类)需重复开发模型?Time-Series-Library(TSLib)通过统一架构解决了这些问题,集成20+先进时序模型,支持5大核心任务,让研究者专注算法创新而非工程实现。本文将以TimesNet(TSLib中表现最佳的模型之一)为例,详解时序模型的实现原理、训练流程与工程实践,读完你将...

gitblog_00332的博客 1119

Time-MoE:基于混合专家技术的十亿级时间序列基础模型 [ICLR 2025]

摘要: 本文提出Time-MoE,一种基于稀疏混合专家(MoE)的大规模时间序列基础模型,通过高效激活部分网络参数,在保持高模型容量的同时降低计算成本。Time-MoE采用仅解码器Transformer架构,支持可变输入长度与多分辨率预测,首次将时间序列模型扩展至24亿参数。基于自建的Time-300B数据集(覆盖9领域、3000亿时间点),实验表明Time-MoE在相同计算预算下显著优于密集模型,验证了时间序列预测中的Scaling Laws规律。

u014546828的博客 1451

Time series with LLMs

主要工作本篇文章提出了一种两阶段微调方法,首先通过监督微调将模型与时间序列的特性进行对其,引导LLM适应时间序列,接下来以下游预测任务为导向进一步对模型进行微调,从而保障不破坏语言模型固有特性的基础上使得模型能够更好地适配配各类不同域的数据及不同的下游任务。

copyaaaa的博客 1398

2025最全AI时间序列论文导航:从入门到顶会研究的一站式资源库

你是否还在为查找高质量的AI时间序列论文而苦恼?面对NeurIPS、ICML等顶会的海量文献,如何快速定位到最有价值的研究?本文将带你全面掌握awesome-AI-for-time-series-papers项目的使用方法,助你轻松应对时间序列分析领域的学术研究与工程实践。读完本文,你将能够: - 高效检索各顶会最新AI时间序列论文 - 系统学习时间序列分析的核心技术与前沿趋势 - 快速定位相关...

gitblog_01050的博客 494

论文笔记:CAN LLMS UNDERSTAND TIME SERIES ANOMALIES?

本文系统研究了大型语言模型(LLMs)在时间序列异常检测中的能力,提出并验证了7个关键假设。研究发现:1)思维链推理对LLMs理解时间序列无益;2)LLMs识别周期性异常的能力与重复偏差无关;3)算术能力不影响异常检测性能;4)视觉模态表现优于文本模态;5)LLMs不受人类视觉感知局限;6)处理长序列时性能下降;7)不同模型架构表现差异显著。实验采用4种多模态LLM,结果表明异常检测能力高度依赖模型架构,且不存在通用的最优文本表示方法。这些发现为理解LLMs在时间序列分析中的能力边界提供了新视角。

qq_40206371的博客 1025
上一篇: 时间序列预测从入门到精通:基础知识
下一篇: 收藏系列!深度学习必读10篇经典算法论文总结!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值