Séries temporelles
Fellow suit ce sujet depuis juillet 2026 : 9 articles résumés en français.
Toute l'actualité · 9 articles
Prévision par ensemble avec les modèles de séries temporelles IBM Granite
IBM Research présente Granite Timeseries Ensemble, une recette qui combine quatre modèles Granite open source pour produire des prévisions médianes et par quantiles, sans réentraînement.
Transformer TS2Vec en modèle de fondation pour la classification de séries temporelles
TS2Vec-FM, réseau convolutif de 1,6M de paramètres pré-entraîné une seule fois, approche l'état de l'art en classification de séries temporelles sans attention ni patch tokenizer.
Twice Upon a Time : des représentations complémentaires pour le raisonnement sur séries temporelles
Un modèle combinant courbes et delay embeddings normalisés, construit sur Qwen3-VL-8B, fait passer la précision sur TSRBench de 44,5 % à 53,2 % par rapport aux courbes seules.
Apprentissage des dynamiques collectives via des représentations gaussiennes différentiables
Un nouveau modèle, DGD, apprend à prédire les comportements agrégés de populations en combinant mélanges gaussiens et rétroaction temporelle.
Un modèle Transformer temporel pour prédire les exacerbations aiguës de BPCO
Un modèle basé sur les données de ventilateurs domestiques promet une détection plus précoce des crises de BPCO, sans recourir aux examens cliniques.
Validation temporelle des modèles ML de consommation de carburant naval : le cas du CCGS Sir Wilfrid Laurier
Une étude révèle que les méthodes classiques de validation surestiment la performance des modèles prédictifs de consommation de carburant en contexte maritime.
Une méthode d'estimation scalable pour les modèles VARMA
Des chercheurs proposent un cadre d'estimation dont le coût par itération ne dépend plus de la longueur de la série, levant un frein historique aux modèles VARMA.
CENDRe : une méthode d'extraction de concepts pour les CNN en classification de séries temporelles
Une nouvelle approche identifie automatiquement les concepts temporels et fréquentiels qui guident les prédictions des CNN, sans nombre de concepts prédéfini.
RMISC : un corpus multivarié réel à grande échelle pour les modèles de fondation de séries temporelles
Un corpus de 200 jeux de données et 142 milliards de points temporels pour évaluer l'apport des données réelles vs synthétiques dans les TSFMs.