series temporales
Todas las noticias con este tag · Estados Unidos.
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 2 nov 2026, 8:00 p. m. | 0 |
| 2 nov 2026, 9:00 p. m. | 0 |
| 2 nov 2026, 10:00 p. m. | 0 |
| 2 nov 2026, 11:00 p. m. | 0 |
| 3 nov 2026, 12:00 a. m. | 0 |
| 3 nov 2026, 1:00 a. m. | 0 |
| 3 nov 2026, 2:00 a. m. | 2 |
| 3 nov 2026, 3:00 a. m. | 0 |
| 3 nov 2026, 4:00 a. m. | 0 |
| 3 nov 2026, 5:00 a. m. | 0 |
| 3 nov 2026, 6:00 a. m. | 0 |
| 3 nov 2026, 7:00 a. m. | 0 |
| 3 nov 2026, 8:00 a. m. | 0 |
| 3 nov 2026, 9:00 a. m. | 0 |
| 3 nov 2026, 10:00 a. m. | 0 |
| 3 nov 2026, 11:00 a. m. | 0 |
| 3 nov 2026, 12:00 p. m. | 0 |
| 3 nov 2026, 1:00 p. m. | 0 |
| 3 nov 2026, 2:00 p. m. | 0 |
| 3 nov 2026, 3:00 p. m. | 0 |
| 3 nov 2026, 4:00 p. m. | 0 |
| 3 nov 2026, 5:00 p. m. | 0 |
| 3 nov 2026, 6:00 p. m. | 0 |
| 3 nov 2026, 7:00 p. m. | 0 |
| 3 nov 2026, 8:00 p. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-05 | 0 |
| 2026-10-06 | 0 |
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 2 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de series temporales
3 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIInvestigación sobre los efectos del tamaño del parche en modelos fundacionales de series temporales
Se investiga cómo el tamaño del parche afecta a los modelos fundacionales de series temporales basados en parches, analizando su interacción con arquitecturas transformer. Los resultados indican que los modelos encoder-only se benefician de parches más pequeños, mientras que los modelos decoder-only funcionan mejor con tamaños intermedios de parche. La elección del tamaño del parche y la arquitectura debe ajustarse según el horizonte de pronóstico y las limitaciones de despliegue.
Noticia originalDescomponiendo series temporales irregulares en patrones temporales interpretables con mezcla de expertos
Se presenta MoTIF, un marco interpretable basado en atención de mezcla de expertos (MoE) para descomponer series temporales irregulares en patrones temporales de diferentes escalas. El método demuestra alta precisión en la recuperación de patrones y supera a modelos de secuencia estándar en predicción de valores futuros. Los resultados indican que descomponer la estructura temporal en patrones específicos y auditables no compromete la precisión predictiva.
Noticia original
Hugging Face BlogPronóstico probabilístico de series temporales con Transformers de Hugging Face
El artículo técnico de Hugging Face, publicado el 1 de diciembre de 2022 por Niels Rogge y Kashif Rasul, explica cómo entrenar un modelo Transformer probabilístico para el pronóstico de series temporales. Describe el uso de la arquitectura codificador-decodificador, la biblioteca GluonTS y el conjunto de datos tourism_monthly de Australia con 366 regiones. El modelo, entrenado 40 épocas sin ajuste de hiperparámetros, alcanzó un MASE de 1,256 en el conjunto de prueba, superando a otros modelos reportados.
Noticia original