The genome sequence of the Black Lace-weaver spider, Amaurobius ferox (Walckenaer, 1830)
黑织蛛 Amaurobius ferox (Walckenaer, 1830) 的基因组序列摘要我们展示了一只雌性 Amaurobius ferox (黑织蛛；节肢动物；蛛形纲；蜘蛛目；Amaurobiidae) 的基因组组装。基因组序列跨度为 3,564.8 兆碱基对。大部分组装体被组装成 23 个染色体假分子，包括 X1、X2 和 X3 性染色体。线粒体基因组也已组装完成，长度为 14.24 千碱基对。Henriques S，自然历史博物馆基因组采集实验室，达尔文生命之树条形码集体等。黑织蛛 Amaurobius ferox (Walckenaer, 1830) 的基因组序列 [版本 1；
Exploring the Latest Advances in Foundation Time-series Models
快速准确地预测新数据 - 无需训练继续阅读 Towards Data Science »
The Ultimate Guide to Finding Outliers in Your Time-Series Data (Part 3)
发现异常值：现在怎么办？治疗方案指南继续阅读 Towards Data Science »
User Action Sequence Modeling: From Attention to Transformers and Beyond
将推荐系统 LLM 化的探索继续阅读 Towards Data Science »
NOAA 最新的全球时间序列月平均气温异常数据下降趋势清楚地表明，地球并没有经历任何类似于“气候紧急情况”的事情，这与气候科学数据没有支持、纯粹出于政治动机的气候警报炒作相反。
Time Series Are Not That Different for LLMs
利用 LLM 的力量进行时间序列建模基础模型推动了计算语言学和计算机视觉领域的最新进步，并在人工智能 (AI) 中取得了巨大成功。成功的基础模型的关键思想包括：海量数据：庞大而多样的训练数据涵盖了全面的分布，使模型能够近似任何潜在的测试分布。可转移性：记忆和回忆所学信息的机制，例如提示 [1] 和自我监督的预训练 [2]，使模型能够有效地适应新任务。在 LLM 成功之后，时间序列基础模型的开发变得更加密集。图片来自论文 https://arxiv.org/pdf/2403.14735.大型时间序列基础模型 (LTSM)随着基础模型在计算语言学领域的成功，越来越多的研究工作旨在在另一种类型的序列
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。
