AITOP

预测

共 5 条相关 AI 资讯
7月8日
01:45
7月2日
11:17
11:17官方账号arXiv cs.LG@Yahya Aalaila, Mouad Elhamdi, Gerrit Großmann, Daniel Jenson, Elizaveta Semenova, Sebastian Vollmer
本文研究时空点过程模型在事件历史稀疏时的泛化能力，使用AlphaEarth嵌入作为线性空间上下文。在固定log-Gaussian Cox过程骨干下，对比仅事件模型与加入AlphaEarth的模型。在8个留出区域的紧急医疗服务（EMS）预测任务中，AlphaEarth在所有历史长度（w=1-104周）上均提升留出区域预测性能。尤其在w=1-2周的稀疏历史下，提升达2到6倍；在w=20-104周时提升约10%到20%。
论文AlphaEarthEMS时空点过程
推荐理由：AlphaEarth用空间上下文帮EMS预测在历史稀疏时性能提升了2-6倍，实实在在的效果。
原文
6月30日
00:17
6月6日
10:44
5月27日
10:33
10:33官方账号arXiv cs.AI@Yiding Liu, Yifan Hu, Hongjie Xia, Peiyuan Liu, Hongzhou Chen, Xilin Dai, Zewei Dong, Jiang-Ming Yang
精选
Falcon-X 是一种新型时间序列基础模型，解决了现有模型在跨变量建模中语义对齐和关系表达能力的不足。它通过将变量映射到统一的潜在原型空间，并采用统一原型差异注意力机制，显式评估正负语义亲和度，从而对齐异构物理量。该模型还通过潜在实体注意力在共享空间中高效进行跨变量交互，并通过变量重组路由器稳健重建特定变量轨迹。在 GIFT-Eval 和 fev-bench 基准测试中，Falcon-X 达到了最先进的预测性能，为复杂多变量环境提供了可扩展的范式。该模型已公开发布，以支持未来研究。
论文时间序列基础模型多变量建模异构数据
推荐理由：时间序列预测从业者终于有了一个能处理异构多变量数据的专用基础模型——Falcon-X 通过潜在原型空间解决了语义对齐难题，做金融、能源或物联网预测的团队可以直接拿来用。
原文