You can turn any random sequence of events into a clock
一组数学方程式可以帮助将看似随机的观察结果变成时钟——然后测量其准确性
将零样本预测应用于标准机器学习模型 照片由 David Menidrey 在 Unsplash 上拍摄 生成式人工智能和大型语言模型 (LLM) 的兴起让全世界着迷，在各个领域掀起了一场革命。虽然这种技术的主要焦点是文本序列，但现在人们开始进一步关注 GenAI 时代的时间序列预测：让梯度提升的行为像 LLM | 作者 Marco Cerliani | 2024 年 7 月首次出现在 AI Quantum Intelligence 上。
Time Series Forecasting in the Age of GenAI: Make Gradient Boosting Behaves like LLMs
使用标准机器学习模型应用零样本预测继续阅读 Towards Data Science »
Десериализация VIEWSTATE: как уязвимость используется проправительственными группировками
Solar 4RAYS 披露了该电信公司遭受 Obstinate Mogwai 攻击的详细信息。
蜈蚣 Lithobius forficatus 的毒液和端足防御系统是功能上趋同的序列同源物摘要背景新颖性进化是进化生物学的中心主题，但研究具有明显不连续起源的特征的起源仍然是一项重大挑战。毒液系统是研究这种现象的合适模型，因为它们捕捉了跨多个生物复杂性水平的新颖性的几个方面。然而，虽然人们对单个毒素的进化有一些了解，但对整个毒液系统的进化知之甚少。揭示新特征进化的一种方法是研究不太专业的序列同源物，即生物体内具有共同发育起源的重复特征。这种方法对于具有重复身体节段的动物（例如蜈蚣）尤其有用。结果在这里，我们研究了有毒石蜈蚣（Lithobiomorpha）后腿上的防御性端足腺器官的形态学和生化
Time Series Regression Analysis with Chat GPT4
下图是我在 Pantheon Macroeconomics 担任首席欧元区经济学家期间日常使用的数百张图表之一。它绘制了德国新制造业订单调查的标准化 Z 分数指数，以及工厂订单（不包括主要订单）的同比增长。有必要阐明这张图表在经济研究和预测领域的含义。工厂订单数字是所谓的硬数据，在这种情况下，这意味着它们是统计局报告的实际活动的官方数字。相比之下，PM 新订单指数是我自制的所谓软数据指数。具体来说，这些是调查数据，由欧盟委员会、IFO、标准普尔和国家统计局等机构编制。我们对这些数字的兴趣只在于它们能告诉我们一些关于官方/硬新订单数据的信息，而这些数据反过来又可以帮助我们确定工业生产、出口、GD
ИИ реконструирует последовательности движений животных
Наблюдая за жирафом в дикой природе и отвлёкшись на пару секунд, можно упустить момент когда животное опускает голову и садится.那么，这是什么？ Ученые из Центра перспективных исследований коллективного поведения Констанцского университета нашли способ кодироват您可以在 вид животного 和 внешний вид животного 中找到
Sequence Feature Extraction for Malware Family Analysis via Graph Neural Network
恶意软件对我们的设备和生活造成了很大的危害。我们迫切希望了解恶意软件的行为及其造成的威胁。恶意软件的大多数记录文件都是可变长度的、带有时间戳的基于文本的文件，例如事件日志数据和动态分析配置文件。利用时间戳，我们可以将这些数据分类为基于序列的数据，以便进行后续分析。然而，处理可变长度的基于文本的序列很困难。此外，与自然语言文本数据不同，信息安全中的大多数序列数据都具有特定的属性和结构，例如循环、重复调用、噪声等。为了深入分析 API 调用序列及其结构，我们使用图来表示序列，这可以进一步研究信息和结构，例如马尔可夫模型。因此，我们设计并实现了一个注意力感知图神经网络 (AWGCN) 来分析 API
torch time series, final episode: Attention
我们通过使用一种在自然语言处理中非常流行且受人类（和动物）认知启发的技术来增强上次的序列到序列架构，从而结束使用 torch 进行时间序列预测的迷你系列：注意力。
torch time series, take three: Sequence-to-sequence prediction
在我们对时间序列预测技术的概述中，我们转向序列到序列模型。该系列中的架构通常用于自然语言处理 (NLP) 任务，例如机器翻译。然而，对于 NLP，在进行模型定义和训练之前需要进行大量的预处理。在熟悉的数值序列中，我们可以完全专注于概念。
torch time series continued: A first go at multi-step prediction
我们继续探索使用 torch 进行时间序列预测，转向为多步预测设计的架构。在这里，我们通过多层感知器 (MLP) 增强了“主力 RNN”，以推断未来的多个时间步。
Introductory time-series forecasting with torch
这篇文章介绍了使用 torch 进行时间序列预测。核心主题是数据输入和 RNN（GRU/LSTM）的实际使用。即将发布的文章将以此为基础，并介绍越来越复杂的架构。
sparklyr 1.5: better dplyr interface, more sdf_* functions, and RDS-based serialization routines
与之前的所有三个 sparklyr 版本不同，最近发布的 sparklyr 1.5 更注重增强现有的 sparklyr 功能，而不是创建新功能。因此，我们采纳了许多来自 sparklyr 用户的宝贵建议，并在一系列错误修复和改进中成功解决了这些问题。
How Attention works in Deep Learning: understanding the attention mechanism in sequence models
自然语言处理新手？这是注意力机制和序列学习的终极初学者指南，可帮助您入门
Introducing sparklyr.flint: A time-series extension for sparklyr
我们很高兴地宣布，sparklyr.flint 现已在 CRAN 上可用，它是使用 Flint 大规模分析时间序列的 sparklyr 扩展。Flint 是一个用于处理 Apache Spark 中时间序列的开源库，支持对时间序列数据集进行聚合和连接。
FNN-VAE for noisy time series forecasting
在这个关于使用假最近邻 (FNN) 损失进行预测的迷你系列的最后一部分中，我们用卷积 VAE 替换了上一篇文章中的 LSTM 自动编码器，从而实现了相同的预测性能，但训练时间明显缩短。此外，我们发现，当底层确定性过程被大量噪声所掩盖时，FNN 正则化会大有帮助。
Time series prediction with FNN-LSTM
在最近的一篇文章中，我们展示了如何使用由假最近邻 (FNN) 损失正则化的 LSTM 自动编码器来重建非线性混沌动态系统的吸引子。在这里，我们探讨了同样的技术如何帮助进行预测。与容量相当的“原始 LSTM”相比，FNN-LSTM 可以提高一组非常不同的真实世界数据集的性能，尤其是对于多步预测中的初始步骤。
sparklyr 1.3: Higher-order Functions, Avro and Custom Serializers
Sparklyr 1.3 现已推出，具有令人兴奋的新功能，例如集成 Spark 高阶函数以及以 Avro 和用户定义的序列化格式导入/导出数据。
