Patternbasierte Diffusionsmodelle revolutionieren Zeitreihenprognosen
Anzeige
Ein neues Verfahren namens Pattern‑Guided Diffusion Models (PGDM) nutzt wiederkehrende Strukturen in multivariaten Zeitreihen, um zukünftige Werte genauer vorherzusagen. Durch Archetypenanalyse werden Muster extrahiert und das wahrscheinlichste nächste Muster prognostiziert. Dieses Muster dient als Leitfaden für die Diffusionsvorhersage, wodurch realistischere Ergebnisse erzielt werden.
Zusätzlich wird Unsicherheit mithilfe der Archetypenanalyse quantifiziert und die Guidance‑Stufe dynamisch angepasst. In Tests auf visuellen Feldmessungen und Bewegungsaufnahmen übertrifft PGDM bestehende Methoden um bis zu 65 % in der Genauigkeit und um mehr als 90 % bei der Fehlerabschätzung.
Ähnliche Artikel
arXiv – cs.LG
•
Hybrid-Physik-ML-Modell liefert FO-Flussvorhersagen mit Unsicherheitsanalyse
arXiv – cs.LG
•
SVGP KAN: Neue Methode für Unsicherheitsquantifizierung in wissenschaftlichem ML
arXiv – cs.LG
•
Neue Evidenzbasierte Klassifikationen verbessern Unsicherheitsabschätzung in KI
arXiv – cs.LG
•
Deep Learning erzeugt Kernkraft-Daten: Fortschritt bei kritischem Wärmefluss
arXiv – cs.LG
•
Bayessches Online‑Lernen beschleunigt RF‑Komponentenmodellierung um 35‑fach
arXiv – cs.LG
•
Credal Ensemble Distillation: Kompakte Modelle für Unsicherheitsabschätzung