ICLR 2024 时间序列相关最新论文汇总，涉及transformer、GNN、大模型等热门领域

最新推荐文章于 2025-03-10 16:34:20 发布

深度之眼

最新推荐文章于 2025-03-10 16:34:20 发布

阅读量6.9k

点赞数 25

分类专栏：人工智能干货深度学习干货文章标签：大模型 ICLR 时间序列 transformer 预训练 GNN 论文

本文链接：https://blog.csdn.net/weixin_42645636/article/details/135726007

版权

ICLR2024展示了在时间序列预测领域的多项突破，包括Transformer改进、注意力耦合器、周期性解耦框架、自适应路径多尺度模型和预训练方法。这些研究强调了模型的效率、准确性及对复杂金融和时间序列数据的处理能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ICLR（International Conference on Learning Representations），国际公认的深度学习顶会之一，与AAAI、CVPR、ACL和NIPS等老牌学术会议齐名，由图灵奖巨头Yoshua Bengio和Yann LeCun牵头举办，在人工智能、统计和数据科学以及计算机视觉、语音识别、文本理解等多个重要应用领域中都发表了众多极其有影响力的论文。

本届ICLR 2024会议共收到了7262篇论文，整体接收率约为31%，与去年（31.8%）基本持平。其中Spotlight论文比例为5%，Oral论文比例为1.2%。会议将于2024年5月7日至11日在奥地利维也纳举行，为来自世界各地最杰出的人工智能专家和研究者提供交流平台，共同探讨前沿的深度学习和强化学习领域的最新进展。

本文盘点了 ICLR 2024 有关时间序列领域的最新研究成果，为大家的论文添砖加瓦：

transformer：4篇
多层感知机：1篇
图神经网络：1篇
生成模型：4篇
即插即用（与模型无关）：1篇
LLM大模型：2篇
预训练与表示：3篇

transformer

TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series

更好、更快、更简单的多元时间序列注意力耦合器

「简述：」论文介绍了一种新的多变量概率时间序列预测模型，旨在灵活地解决一系列任务，包括预测、插值及其组合。基于 copula 理论，作者提出了最近引入的基于 transformer 的注意力 copula（TACTiS）的简化目标，其中分布参数的数量现在与变量的数量成线性关系，而不是成指数关系。新的目标需要引入一个训练课程，这与原始架构的必要更改密切相关。

Periodicity Decoupling Framework for Long-term Series Forecasting

长期序列预测的周期性解耦框架

「简述：」论文提出了一种新的周期性解耦框架(PDF)，用于捕捉解耦系列的二维时间变化，进行长期系列预测。该框架由三个组件组成：多周期解耦块、双变量建模块和变量聚合块。与之前的方法不同，该方法主要对二维时间变化进行建模，通过解耦一维时间序列来捕捉。实验结果显示，该方法在预测性能和计算效率方面优于其他最先进的方法。