Wenn Richtungsgenauigkeit täuscht: Ein Benchmark für LoRA-adaptierte Zeitreihenmodelle bei Aktienprognosen
Bei der Anwendung von vortrainierten Zeitreihenmodellen wie TimesFM auf Finanzmärkte erweist sich die reine Richtungsgenauigkeit oft als irreführend. In steigenden Märkten können triviale Strategien hohe Trefferquoten erzielen, ohne tatsächliche Vorhersagekompetenz zu besitzen. Um echten Mehrwert von statistischen Artefakten zu trennen, wurde ein neuer Benchmark entwickelt, der durch standardisierte Testverfahren und den Vergleich mit simplen Basismodellen die tatsächliche Prognoseleistung bewertet. Die Ergebnisse
VAN-AD: Visueller Masked Autoencoder mit Normalizing Flow zur Anomalieerkennung in Zeitreihen
Die Anomalieerkennung in Zeitreihen ist entscheidend für die Zuverlässigkeit von IoT-Systemen, stößt jedoch bei begrenzten Trainingsdaten oft an Grenzen. Ein neuer Ansatz nutzt vortrainierte visuelle Masked Autoencoder, um diese Herausforderungen zu bewältigen. Durch ein adaptives Verteilungs-Mapping werden Diskrepanzen bei Anomalien verstärkt, während ein zusätzliches Normalizing-Flow-Modul die lokale Wahrnehmung verbessert. In umfangreichen Tests zeigt das Verfahren eine überlegene Leistung gegenüber bisherigen M
Adaptives Zeitreihen-Reasoning durch Segmentauswahl
Das Modell ARTIST verbessert die Analyse von Zeitreihen, indem es diese als sequenzielles Entscheidungsproblem behandelt. Anstatt die gesamte Datenmenge statisch zu verarbeiten, wählt ein Controller-Modell mittels Reinforcement Learning gezielt relevante Zeitsegmente aus, die anschließend von einem Reasoner-Modell ausgewertet werden. Dieser adaptive Ansatz ermöglicht eine präzisere Beantwortung von Fragen, insbesondere bei der Lokalisierung seltener Ereignisse und komplexen Aufgaben über mehrere Zeitabschnitte hinw
Ein Weak-Penalty-Neural-ODE-Ansatz zur Modellierung chaotischer Dynamiken aus verrauschten Zeitreihen
Die präzise Vorhersage komplexer, hochdimensionaler dynamischer Systeme aus verrauschten Beobachtungsdaten stellt eine große Herausforderung dar, da kleine Fehler bei chaotischen Systemen exponentiell anwachsen. Ein neuer Ansatz nutzt die schwache Formulierung als Ergänzung zur klassischen L2-Verlustfunktion, um Rauschen effektiv zu filtern und die langfristigen invarianten Eigenschaften des Systems zu bewahren. Diese Methode verbessert die Stabilität und Genauigkeit von Neural ODEs erheblich. Die Leistungsfähigkei
GAttNHP: Gruppen-Aufmerksamkeits-Neuraler-Hawkes-Prozess für Extrapolations-Schlussfolgerungen in zeitlichen Wissensgraphen
Die Vorhersage zukünftiger Ereignisse in zeitlichen Wissensgraphen stellt aufgrund komplexer zeitlicher Abhängigkeiten und unregelmäßiger Ereignisabstände eine Herausforderung dar. Der neue Ansatz GAttNHP adressiert diese Probleme durch ein dreistufiges Framework. Ein Self-Attention-Encoder erfasst langfristige historische Zusammenhänge, während ein semantisches Gruppierungsmodul effiziente Interaktionen zwischen Ereignisketten ermöglicht. Ergänzt wird das Modell durch eine Quantil-Regression, die stabile Zeitvorhe
MIDiff: Bewältigung von Datenknappheit und Ungleichgewicht bei der Generierung mobiler Nutzungsmuster mittels multivariater Bild-Diffusion
Die Generierung realistischer mobiler Nutzungsmuster ist aufgrund von Datenschutzanforderungen und der hohen Komplexität der Daten eine Herausforderung. Das neue Framework MIDiff adressiert diese Probleme, indem es multivariate Zeitreihen in Korrelationsbilder transformiert. Durch den Einsatz eines auf Diffusionsmodellen basierenden Ansatzes mit Triple-Attention-Mechanismen in einer U-Net-Architektur werden zeitliche Konsistenz und Variablenabhängigkeiten präzise abgebildet. In Tests übertrifft das Modell bisherige
Das Spektrum reicht nicht aus: Wenn Kontext bei der Zeitreihenprognose hilft
Die Vorhersagbarkeit von Zeitreihen wird häufig anhand ihres Frequenzspektrums bewertet. Diese Untersuchung zeigt jedoch, dass spektrale Indizes allein nicht ausreichen, um den Nutzen von zusätzlichem Kontext wie längeren Zeitfenstern oder vortrainierten Modellen zu bestimmen. Da spektrale Analysen gegenüber Phasenverschiebungen invariant sind, erfassen sie keine komplexen, nicht-linearen Strukturen, die für moderne KI-Modelle entscheidend sind. Als Lösung wird ein neues Diagnosewerkzeug vorgestellt, das den sogena
Hierarchisches selbstüberwachtes Lernframework für multivariate Zeitreihen in der EKG-Analyse
Das neu entwickelte Framework ER-JEPA ermöglicht eine effiziente Analyse multivariater Zeitreihen, insbesondere im medizinischen Bereich bei begrenzten annotierten Daten. Inspiriert durch kardiologische Diagnoseprozesse nutzt das Modell eine zweistufige hierarchische Struktur, die auf zwei gekoppelten Joint-Embedding Predictive Architectures sowie einem Vision Transformer basiert. Durch die hierarchische Repräsentation komplexer Datenmuster erreicht das System bei der Auswertung von 12-Kanal-EKGs eine hohe Vorhersa
Neubewertung der multimodalen Fusion für Zeitreihen: Textmodalitäten erfordern kontrollierte Integration
Die Integration von Text- oder Bilddaten in Zeitreihenprognosen führt häufig nur zu geringen Leistungssteigerungen, da naive Fusionsstrategien oft irrelevante Informationen einbringen und die Vorhersagequalität verschlechtern können. Eine neue Untersuchung zeigt, dass kontrollierte Fusionsmethoden diese Probleme lösen. Mit dem Controlled Fusion Adapter (CFA) wurde eine Methode entwickelt, die mittels Low-Rank-Adaptern gezielt nur relevante Textinformationen filtert und in Zeitreihendaten integriert. Dies verbessert
Überwindung der Modalitätslücke bei kontextgestützten Prognosen
Kontextgestützte Prognosemodelle sollen KI-Systeme durch die Einbindung von Fachwissen und zukunftsorientierten Informationen verbessern, scheitern jedoch oft an der Qualität der verfügbaren Datensätze. Um dieses Problem zu lösen, wurde eine Methode zur semi-synthetischen Datenerweiterung entwickelt, die zeitliche Dynamiken präzise beschreibt und verifizierbare Kontextinformationen liefert. Mit dem Datensatz CAF-7M, der sieben Millionen kontextangereicherte Zeitreihen umfasst, konnte nachgewiesen werden, dass die b
VAIOM: Decoder-only Finanzsequenzmodellierung mit kontinuierlichen Eingabedaten
VAIOM stellt einen neuen Transformer-Ansatz für die probabilistische Modellierung von Finanzmarktrenditen vor. Im Gegensatz zu klassischen Modellen, die auf diskreten Symbolen basieren, verarbeitet dieses System kontinuierliche multivariate Finanzdaten direkt als Eingabe, während es die Vorhersage als diskrete Kategorien ausgibt. Durch die Kombination von kontinuierlichen Ereignismerkmalen mit Metadaten und speziellen Hilfszielen zur Volatilitätsregime-Erkennung übertrifft das Modell etablierte statistische Benchma
Stabilitätsregularisierung für präzise Nachfrageprognosen im Einzelhandel
Für die effiziente Planung im Einzelhandel, etwa bei der Warenauffüllung oder Personaleinsatzplanung, ist die Stabilität von Nachfrageprognosen entscheidend. Herkömmliche Modelle fokussieren sich oft nur auf die Minimierung von Punktfehlern, was zu abrupten Schwankungen in aufeinanderfolgenden Vorhersagen führen kann. Ein neuer Ansatz integriert eine Stabilitätsstrafe direkt in den Trainingsprozess, um die zeitliche Konsistenz der Prognosepfade zu verbessern, ohne die Genauigkeit signifikant zu beeinträchtigen. Tes
Erklärung von zeitlichen Graph-Neuronalen Netzen durch merkmalsinduzierten Informationsfluss
Ereignisbasierte zeitliche Graph-Neuronale Netze sind leistungsstark, jedoch aufgrund ihrer Komplexität schwer interpretierbar. Bisherige Erklärungsansätze vernachlässigen oft ereignisinduzierte Variablen, die für langfristige zeitliche Abhängigkeiten entscheidend sind. Ein neuer Attributionsansatz analysiert nun den gesamten Informationsfluss durch alle ereignisassoziierten Variablen. Durch ein modulares Zerlegungsverfahren wird die Relevanzstruktur komplexer Architekturen systematisch erfasst. Experimente zeigen,
Prüfbare, kontextbewusste Prognose von Hand-Fuß-Mund-Krankheiten mit strukturierten LLM-Agenten
Ein neues neuro-symbolisches Framework verbessert die Vorhersage von Hand-Fuß-Mund-Krankheiten durch die Kombination von Zeitreihenanalysen mit kontextuellen Faktoren wie Wetterdaten, Schulkalendern und offiziellen Berichten. Ein spezialisierter KI-Agent interpretiert diese heterogenen Signale semantisch, während ein zweiter Agent die eigentliche Prognose erstellt. Dieser Ansatz ermöglicht nicht nur präzise Vorhersagen, sondern liefert auch nachvollziehbare Erklärungen für die Risikobewertung. Die Methode übertriff
Robustheit von Deep-Learning-Modellen für die Photovoltaik-Leistungsprognose bei Wettervorhersagefehlern
Die Zuverlässigkeit von KI-Modellen in der Photovoltaik-Prognose hängt maßgeblich von ihrem Verhalten bei fehlerhaften numerischen Wettervorhersagen ab. Eine neue Analyse untersucht die Robustheit verschiedener Machine-Learning-Architekturen unter realistischen Störbedingungen, die physikalische Zusammenhänge und zeitliche Korrelationen berücksichtigen. Die Ergebnisse zeigen, dass Sequenzmodelle bei hohen Störpegeln eine stärkere zeitliche Resilienz aufweisen als tabellarische Ansätze. Durch Methoden der erklärbare
Wenn Richtungsgenauigkeit täuscht: Ein Benchmark für LoRA-adaptierte Zeitreihenmodelle bei der Aktienprognose
Die Anwendung großer vortrainierter Zeitreihenmodelle wie TimesFM auf Finanzmärkte erfordert eine kritische Überprüfung der Genauigkeitsmetriken. Eine hohe Richtungsgenauigkeit kann in steigenden Märkten durch triviale Strategien wie eine ständige Kaufempfehlung vorgetäuscht werden, ohne dass das Modell tatsächliche Vorhersagekompetenz besitzt. Durch einen neuen, reproduzierbaren Benchmark mit strengen statistischen Tests wird nachgewiesen, dass LoRA-adaptierte Modelle in diesem Kontext keinen signifikanten Mehrwer
Haben wir das Problem gelöst? Ein unabhängiger Stresstest für Metriken zur Erkennung von Zeitreihenanomalien
Die Standardbewertungsmethoden für die Erkennung von Anomalien in Zeitreihen standen aufgrund ihrer Anfälligkeit für Manipulationen in der Kritik. Eine neue unabhängige Untersuchung hat zwölf gängige Ersatzmetriken einem Stresstest unterzogen, um deren Robustheit gegenüber nicht-informativen Zufallswerten zu prüfen. Die Ergebnisse zeigen, dass viele Ansätze, insbesondere ROC-basierte Metriken, weiterhin leicht manipulierbar sind. PR-basierte Metriken und bestimmte Anpassungsverfahren erwiesen sich als widerstandsfä
Das Spektrum reicht nicht aus: Wenn Kontext bei der Zeitreihenprognose hilft
Die Vorhersagbarkeit von Zeitreihen wird häufig anhand ihres Frequenzspektrums bewertet. Diese Analyse vernachlässigt jedoch entscheidende Informationen, die über die lineare Struktur hinausgehen. Während spektrale Indizes bei Phasenrandomisierung invariant bleiben, profitieren moderne Ansätze wie Retrieval-Methoden oder vortrainierte Modelle gerade von nicht-linearen Strukturen. Die Untersuchung zeigt, dass der Nutzen von Kontext nicht allein durch das Spektrum bestimmt wird. Als Lösung wird ein neues Diagnosewerk
Leichte, mehrskalige Anomalieerkennung für ressourcenbeschränkte Edge-Geräte
Zur effizienten Anomalieerkennung in Zeitreihendaten für IoT-Systeme wurde ein neues, kompaktes Autoencoder-Modell entwickelt. Durch den Einsatz der diskreten Wavelet-Transformation werden Merkmale auf verschiedenen Skalen extrahiert, während eine spezielle Verlustfunktion die Sensibilität für subtile Abweichungen erhöht. Das Modell benötigt weniger als 500 KB Speicherplatz und ermöglicht auf Edge-Hardware wie dem NVIDIA Jetson Nano eine signifikante Reduzierung der Latenz und des Energieverbrauchs. Damit eignet si
Adversarial-Angriffe auf Online-Handschrifterkennung durch salienzbasierte zeitliche Bearbeitung
Modelle zur Erkennung von Online-Handschriften sind anfällig für Adversarial-Angriffe, wobei herkömmliche bildbasierte Methoden oft unnatürliche Artefakte erzeugen. Ein neuer Ansatz adressiert dies durch zeitliche Bearbeitung statt durch das Hinzufügen von Bildrauschen. Dabei werden Punkte basierend auf ihrer zeitlichen Salienz gezielt eingefügt oder gelöscht, um die visuelle Struktur und Glätte der Handschrift zu bewahren. Diese Methode zeigt eine deutlich höhere Effektivität bei Black-Box-Angriffen, bei denen das
Untersuchung von Zero-Shot-Grundlagenmodellen für die multivariate Zeitreihen-Anomalieerkennung
Die multivariate Zeitreihen-Anomalieerkennung ist entscheidend für die Sicherheit in Industrie und Finanzwesen, scheitert jedoch oft an der Skalierbarkeit spezialisierter Modelle. Eine Untersuchung prüft, ob vortrainierte Zeitreihen-Grundlagenmodelle ohne spezifisches Training für diese Aufgabe einsetzbar sind. Die Ergebnisse zeigen, dass diese Modelle zwar zeitliche Dynamiken präzise erfassen, aber bei der Erkennung persistenter Anomalien versagen, da sie diese fälschlicherweise als normales Verhalten interpretier
ReDiTT: Retrieval-Augmented Conditional Diffusion Transformers für asynchrone Zeitreihen
Das Modell ReDiTT wurde für die Vorhersage asynchroner Zeitreihen entwickelt, um sowohl den Zeitpunkt als auch die Art zukünftiger Ereignisse präzise zu bestimmen. Durch den Einsatz eines retrieval-basierten Ansatzes greift das System während des Trainings und der Inferenz auf strukturell ähnliche Sequenzen in einem Speicher zu, die als Referenzbedingungen dienen. Diese Methode stabilisiert Prognosen über lange Zeiträume hinweg und erhöht die Vielfalt der generierten Ergebnisse. In Tests auf verschiedenen Datensätz
Vorhersage institutioneller Aktienbestände mittels Knotenaffinitäten in dynamischen Graphen
Die Vorhersage künftiger Portfolioallokationen großer Investmentmanager ist aufgrund von Verzögerungen bei der Offenlegung und der Beständigkeit institutionellen Verhaltens komplex. Ein neuer Ansatz nutzt Methoden des temporalen Graph-Machine-Learnings, um Bestandsveränderungen als Knotenaffinitätsproblem auf einem bipartiten Graphen zwischen Managern und Wertpapieren abzubilden. Das entwickelte Modell NAVIS übertrifft dabei bestehende dynamische Graph-Lernverfahren und heuristische Methoden deutlich. Die Ergebniss
SUNTA: Hierarchische Videovorhersage mit überraschungsbasierter Segmentierung
Die neue Methode SUNTA verbessert die langfristige Videovorhersage durch eine adaptive Segmentierung von Zeitreihen. Anstatt auf starre Intervalle zu setzen, orientiert sich das Modell an Vorhersagefehlern, um Zeitabschnitte dynamisch zu definieren. Durch eine entkoppelte Trainingsstrategie und die Nutzung interner Inkonsistenzen als Maß für Überraschungsmomente werden Probleme wie der hierarchische Zusammenbruch vermieden. In Tests zeigt das Verfahren eine deutlich höhere Stabilität bei der Vorhersage über lange Z
Verzweigte Signatur-Kernel-Solver für gewöhnliche Differentialgleichungen mit rauen Einzelpfad-Signalen
Es wurde ein neuartiger mathematischer Ansatz entwickelt, um gewöhnliche Differentialgleichungen zu lösen, die durch ein einzelnes, raues Beobachtungssignal gesteuert werden. Durch eine spezielle Count-Sampling-Methode wird aus einer einzigen Trajektorie eine hierarchische Familie verschachtelter Pfade erstellt, die eine Anwendung der Signatur-Kernel-Methodik ermöglicht. Ein integrierter Kernel-Kollokations-Rahmen erlaubt dabei präzise Vorhersagen sowohl für lineare als auch für nichtlineare Systeme. Dieser Ansatz
Maximale Diversität und Gewichtung für Invarianten periodischer Zeitreihen
Die mathematische Theorie der Magnitude, die als Spezialfall der Euler-Charakteristik angereicherter Kategorien gilt, bietet neue Ansätze zur Analyse von metrischen Räumen und Datenstrukturen. Durch die Untersuchung der Stetigkeit von Gewichtungen und deren Variation im Kontext maximaler Diversität lassen sich neue Invarianten für periodische Zeitreihen ableiten. Diese theoretischen Grundlagen ermöglichen eine präzisere Modellierung von Datenmustern. In einem praktischen Experiment mit realen Datensätzen konnte dur
ECoLAD: Auswahl von Anomalieerkennungssystemen für die Automobilbranche durch effizienzbasierte Evaluierung
Die Auswahl von Anomalieerkennungssystemen für Fahrzeuge scheitert oft an der Diskrepanz zwischen hoher Genauigkeit auf Workstations und den strikten Latenzanforderungen in eingebetteten Systemen. Das neue Evaluierungsprotokoll ECoLAD adressiert dieses Problem, indem es die Leistungsfähigkeit von Zeitreihenanalysen unter realistischen CPU-Beschränkungen und mit Fokus auf Durchsatzraten bewertet. Die Ergebnisse zeigen, dass komplexe Deep-Learning-Modelle bei begrenzten Ressourcen oft hinter leichtgewichtigen klassis
Neubewertung der Zero-Shot-Zeitreihenklassifizierung: Von aufgabenspezifischen Klassifikatoren zur In-Context-Inferenz
Die bisherige Zero-Shot-Evaluierung von Zeitreihen-Grundlagenmodellen stützte sich meist auf aufgabenspezifische Klassifikatoren, was dem Prinzip der trainingsfreien Anwendung widerspricht. Mit TIC-FM wurde ein In-Context-Lernframework entwickelt, das gelabelte Trainingsdaten als Kontext nutzt, um Klassifizierungen in einem einzigen Durchlauf ohne Parameteraktualisierungen vorzunehmen. Das System kombiniert einen Zeitreihen-Encoder mit einem speziellen Transformer-Modell. Theoretische Analysen belegen, dass diese I
TimeSAE: Kausale spärliche Dekodierung für verlässliche Erklärungen von Black-Box-Zeitreihenmodellen
Die zunehmende Verbreitung von Black-Box-Modellen in zeitkritischen Anwendungen erfordert robuste Methoden zur Interpretierbarkeit. Herkömmliche Erklärungsansätze scheitern oft bei Daten, die außerhalb der Trainingsverteilung liegen. TimeSAE adressiert dieses Problem durch die Kombination von Sparse Autoencodern mit kausalen Schlussfolgerungen. Dieser neue Rahmen ermöglicht eine präzisere und stabilere Analyse von Vorhersagen, selbst bei Verteilungsverschiebungen. Umfangreiche Tests auf verschiedenen Datensätzen be
Energieprognose und kausale Analyse für Dual-Source-Oberleitungsbusse mittels zeitbewusster Deep-Learning-Architektur
Ein neues Deep-Learning-Framework optimiert das Energiemanagement von Oberleitungsbussen, die zwischen Stromnetz und Batteriebetrieb wechseln. Durch die Integration periodischer Zeitkodierung in eine effiziente Ensemble-Architektur werden statische und sequentielle Daten präzise verarbeitet. Über die reine Vorhersage hinaus ermöglicht ein dreistufiges Verfahren die Identifikation kausaler Zusammenhänge, wie etwa den Einfluss von Bremsrückgewinnung und Durchschnittsgeschwindigkeit auf den Verbrauch. Die Ergebnisse b
Langzeitgedächtnis-Reservoir-Computing für die Dengue-Vorhersage bei Datenknappheit
Die präzise Vorhersage von Dengue-Fieber-Ausbrüchen ist aufgrund kurzer, verrauschter und nicht-linearer Datenreihen eine Herausforderung. Ein neuer Ansatz nutzt Reservoir-Computing, um die Vorteile von Echo-State-Netzwerken mit statistischem Langzeitgedächtnis zu kombinieren. Durch die Integration fraktionaler Differenzierung oder Wavelet-Glättung in die Reservoir-Struktur können langfristige zeitliche Abhängigkeiten besser modelliert werden als mit herkömmlichen tiefen neuronalen Netzen. Diese Methode erfordert w
SHARP: Schlafbasierte hierarchische beschleunigte Wiedergabe für die Erkennung nicht-stationärer zeitlicher Muster
Das neue Framework SHARP adressiert die Herausforderungen bei der Verarbeitung langer, nicht-stationärer Datenströme in Echtzeit. Durch die Trennung von Gedächtnismodul und Mustererkennung wird die Notwendigkeit einer rechenintensiven Backpropagation über lange Zeiträume eliminiert. Inspiriert durch biologische Schlafphasen nutzt das System eine beschleunigte Wiedergabe gespeicherter Informationen, um langfristige Zusammenhänge effizient zu integrieren. Dies ermöglicht eine verbesserte Vorhersageleistung bei linear
Kontinuierliche Stromprognose: Praxisnahes lebenslanges Lernen für Energiesysteme bei instationären Zeitreihen
Modelle zur Stromprognose müssen in realen Energiemärkten mit sich ständig ändernden Datenverteilungen durch Wettervariabilität oder verändertes Verbrauchsverhalten umgehen. Da eine wiederholte vollständige Neuschulung der Modelle oft an Ressourcenbeschränkungen scheitert, bietet das Paradigma des kontinuierlichen Lernens eine effiziente Lösung. Durch die systematische Untersuchung verschiedener Lernansätze zeigt sich, dass Modelle ohne den Zugriff auf umfangreiche historische Datenbestände an neue Bedingungen ange
CITRAS-FM: Ein kompaktes Foundation-Modell für Zeitreihenprognosen mit Kovariaten
CITRAS-FM ist ein effizientes Foundation-Modell für Zeitreihen mit lediglich sieben Millionen Parametern, das speziell für Zero-Shot-Prognosen entwickelt wurde. Durch eine neuartige Architektur mit verschobener Aufmerksamkeit kann das Modell exogene Kovariaten einbeziehen, die den Zielwert beeinflussen. Um die Herausforderung mangelnder Trainingsdaten zu bewältigen, nutzt das System die CovSynth-Methode zur Synthese realistischer Kovariaten. In Tests zeigt das Modell eine hohe Genauigkeit bei gleichzeitig extrem sc
AnchorMoE: Interpretierbare Zeitreihenklassifizierung durch Anchor-Routed MoE
AnchorMoE ist ein neues Framework zur Klassifizierung multivariater Zeitreihen, das auf einer Mixture-of-Experts-Architektur basiert. Das Modell zerlegt Vorhersagen in eine additive Summe von Beiträgen einzelner Zeitreihensegmente, was eine direkte Transparenz der Entscheidungsfindung ermöglicht. Durch eine geometrische Orthogonalitätsbeschränkung werden Experten dazu gezwungen, sich auf unterschiedliche prädiktive Muster zu spezialisieren, während ein unsicherheitsbewusstes Gating-System Hintergrundrauschen effekt
Forking-Sequences: Statistische und rechnerische Effizienz bei Multi-Horizon-Prognosen mit reduzierter Volatilität
Die Architektur von Forking-Sequences verbessert die Stabilität von Zeitreihenprognosen, indem sie die gesamte Zeitreihe über verschiedene Prognosezeitpunkte hinweg gemeinsam kodiert und dekodiert. Im Gegensatz zu herkömmlichen Methoden, die einzelne Zeitpunkte isoliert betrachten, erzeugt dieser Ansatz ein vollständiges Prognosegitter in einem einzigen Durchlauf. Dies führt zu einer signifikanten Reduzierung der Prognosevolatilität und verbessert gleichzeitig die statistische Effizienz des Trainings sowie die Rech
Terminal-Dimensionsreduktion für Zeitreihen mit Anwendungen
Die Arbeit stellt eine Verallgemeinerung von Terminal-Embeddings auf affine Liniensegmente vor, um die Dimensionsreduktion komplexer Datenstrukturen zu ermöglichen. Während herkömmliche Terminal-Embeddings Schwierigkeiten bei der Erhaltung linearer Strukturen aufweisen, löst dieser neue Ansatz das Problem bei der Clusteranalyse von Zeitreihen. Durch die Anwendung dieser Methode lassen sich erstmals dimensionsunabhängige Coresets für das Clustering unter Verwendung der Fréchet-Distanz erstellen. Experimentelle Ergeb
GatedLinear: Adaptives Routing komplementärer linearer Basen für Zeitreihenprognosen
GatedLinear ist ein effizientes Framework für Zeitreihenprognosen, das verschiedene zeitliche Dynamiken durch ein adaptives Routing-System verarbeitet. Anstatt komplexe Datenmuster durch einen einzigen Mechanismus zu erzwingen, nutzt das Modell drei spezialisierte Basen für Trends, nicht-stationäre Drifts und zyklische Wiederholungen. Ein Tri-Factorized Fusion Gate steuert dabei dynamisch die Gewichtung dieser Komponenten. Durch diesen Ansatz erzielt das Framework eine hohe Prognosegenauigkeit bei deutlich geringer
On-Device adaptive Batterieleistungsvorhersage für Elektrofahrzeuge
Für ein effizientes Energiemanagement in Elektrofahrzeugen ist eine präzise Vorhersage des Batterieverbrauchs entscheidend. Da herkömmliche Deep-Learning-Modelle bei veränderten Datenverteilungen an Genauigkeit verlieren, wurde ein neuer Ansatz für das On-Device-Lernen entwickelt. Dieser ermöglicht es, vortrainierte Modelle direkt auf den ressourcenbeschränkten Systemen der Fahrzeuge kontinuierlich an neue Bedingungen anzupassen. Durch den Einsatz von Online- und Offline-Adaptionsstrategien konnte die Prognosegenau
Föderiertes Low-Rank Koopman-Lernen zur Anomalieerkennung in IoT-Zeitreihen
Zur effizienten Anomalieerkennung in verteilten IoT-Systemen wurde ein neues Framework entwickelt, das auf Koopman-Operatoren basiert. Anstatt rechenintensive neuronale Netze zu nutzen, erlernt das System normale zeitliche Dynamiken durch kompakte, leichtgewichtige Repräsentationen. Durch einen föderierten Lernansatz verbleiben sensible Rohdaten auf den Endgeräten, während lediglich reduzierte Subraum-Variablen ausgetauscht werden. Dies reduziert den Kommunikationsaufwand und die Latenzzeiten massiv, wodurch das Ve
TSRouter: Dynamische Auswahl von Modalitäten und Modellen für Zeitreihenanalysen
Die Analyse von Zeitreihen stellt eine Herausforderung dar, da Sprachmodelle präzise numerische Daten verarbeiten, während Vision-Modelle globale Muster besser erfassen. TSRouter adressiert diese Diskrepanz durch ein graphbasiertes Framework, das dynamisch die optimale Kombination aus Modalität und Modell für spezifische Anfragen auswählt. Dabei werden Aufgaben, Abfragen und Modelleigenschaften in einem heterogenen Graphen verknüpft, um eine effiziente und kostensparende Entscheidungsfindung zu ermöglichen. In Test