meineki.news Logo
meineki.news
KI News. Verstehen, was wichtig wird.
Anmelden
Suche

Finde Modelle, Firmen und Themen

Suche im News-Archiv nach Themen, die du dauerhaft verfolgen willst.

Ergebnisse für “Zeitreihenprognose”
Forschung

<h1>Harmonische Datensatz‑Distillation revolutioniert Zeitreihenprognosen</h1> <p>Die Vorhersage von Zeitreihen steht heute vor enormen Rechen- und Speicheraufwand, weil reale Datensätze immer größer werden. Dataset‑Distillation (DD) bietet eine Lösung, indem sie einen kompakten Datensatz erzeugt, der das Training genauso gut wie das Original ermöglicht. Traditionelle DD‑Ansätze sind jedoch für Zeitreihen nicht optimiert, leiden unter architektonischem Overfitting und skaliert schlecht.</p> <p>Um diese Prob
arXiv – cs.LG
Forschung

<p>Symbolische Übergangsmechanik: Effiziente Zeitreihen‑Vorhersage mit Sprachmodellen</p> <p>Große Sprachmodelle haben in der Zeitreihenprognose beeindruckende Ergebnisse erzielt, doch ihre hohen Rechen- und Speicheranforderungen erschweren den Einsatz auf leichten Plattformen. Das neue Symbolic Transition Mechanism (STM) bietet hierfür eine Lösung: Es wandelt kontinuierliche Zeitreihenwerte mithilfe quantitativer Techniken, die auf menschlichen kognitiven Strukturen basieren, in Symbol‑Tokens um. Durch str
arXiv – cs.LG
Forschung

<p>Neuer Ansatz: Kanalweise Wahrnehmungsverlust verbessert Zeitreihenprognosen</p> <p>Wissenschaftler haben einen innovativen Verlustmechanismus entwickelt, der die Genauigkeit von Vorhersagen für mehrkanalige Zeitreihen erheblich steigert. Der „Channel-wise Perceptual Loss“ (CP Loss) erkennt, dass die einzelnen Kanäle einer Zeitreihe oft sehr unterschiedliche Dynamiken aufweisen – von plötzlichen Spitzen bis hin zu langsamen Trendwechseln. Traditionelle Modelle, die mit einheitlichen Fehlermaßen wie dem mi
arXiv – cs.AI