12:07官方账号arXiv cs.LG@Jérémie Stym-Popper, Clément Rambour, Federica Granese, Nicolas Thome, Olivier Bernard精选73°TSPFN是专为生理时间序列分类设计的基础模型,重构了TabPFN架构以捕捉时间依赖性。该模型在140,000个多医学领域的生理时间序列上预训练,在多个生理学基准测试中表现优于标准表格基线和TabPFN。相比专业深度时间序列模型,TSPFN展现出更好的跨领域泛化能力。论文TSPFNTabPFN生理时间序列推荐理由:医学AI新模型TSPFN来了,专门处理生理时间序列,比TabPFN和专用模型表现更好。原文稍后读已读值得跟进有用关注 TSPFN
11:35官方账号arXiv cs.LG@Joscha Cüppers, Jilles Vreeken本文提出MASHT方法,将MultiRocket和Hydra随机卷积特征与预训练表格基础模型结合,完全跳过任务特定训练。在单变量时间序列分类上,MASHT的平均排名低于HIVE-COTE 2.0。在多变量数据集上,MASHT与最强基准方法竞争激烈。实验表明该方法无需训练即可匹配领先结果。论文MASHTMultiRocketHydra推荐理由:想不训练模型就做时间序列分类?试试MASHT,把MultiRocket特征丢给表格基础模型,单变量任务已经干掉HIVE-COTE 2.0了。原文稍后读已读值得跟进有用关注 MASHT