Buchumschlag

Towards Foundation Models for the Industrial Forecasting of Chemical Kinetics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nasim, Imran, Almeida, Joaõ Lucas de Sousa
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Using Neural Implicit Flow To Represent Latent Dynamics Of Canonical Systems
von: Nasim, Imran, et al.
Veröffentlicht: (2024)

Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks
von: Nasim, Imran, et al.
Veröffentlicht: (2024)

Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting
von: Rasul, Kashif, et al.
Veröffentlicht: (2023)

Towards Universal Large-Scale Foundational Model for Natural Gas Demand Forecasting
von: Zhou, Xinxing, et al.
Veröffentlicht: (2024)

Foundation Model Forecasts: Form and Function
von: Perez-Diaz, Alvaro, et al.
Veröffentlicht: (2025)

Transferable and Forecastable User Targeting Foundation Model
von: Dou, Bin, et al.
Veröffentlicht: (2024)

Time Series Foundation Models for Process Model Forecasting
von: Yu, Yongbo, et al.
Veröffentlicht: (2025)

A Mamba Foundation Model for Time Series Forecasting
von: Ma, Haoyu, et al.
Veröffentlicht: (2024)

Distilling Time Series Foundation Models for Efficient Forecasting
von: Li, Yuqi, et al.
Veröffentlicht: (2026)

Foundation Models for Demand Forecasting via Dual-Strategy Ensembling
von: Yang, Wei, et al.
Veröffentlicht: (2025)

Towards Physics-Guided Foundation Models
von: Farhadloo, Majid, et al.
Veröffentlicht: (2025)

Towards a Physics Foundation Model
von: Wiesner, Florian, et al.
Veröffentlicht: (2025)

TSFMAudit: Data Contamination Auditing in Forecasting Time Series Foundation Models
von: Li, Hongkai, et al.
Veröffentlicht: (2026)

Reverso: Efficient Time Series Foundation Models for Zero-shot Forecasting
von: Fu, Xinghong, et al.
Veröffentlicht: (2026)

UniExtreme: A Universal Foundation Model for Extreme Weather Forecasting
von: Ni, Hang, et al.
Veröffentlicht: (2025)

Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization
von: Masserano, Luca, et al.
Veröffentlicht: (2024)

Assessing the Operational Viability of Foundation Models for Time Series Forecasting
von: Soni, Kavin, et al.
Veröffentlicht: (2026)

FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models
von: Othman, Karim, et al.
Veröffentlicht: (2026)

Generalisation Bounds of Zero-Shot Economic Forecasting using Time Series Foundation Models
von: Jetwiriyanon, Jittarin, et al.
Veröffentlicht: (2025)

Integrating Weather Foundation Model and Satellite to Enable Fine-Grained Solar Irradiance Forecasting
von: Ma, Ziqing, et al.
Veröffentlicht: (2026)

Mochi: Aligning Pre-training and Inference for Efficient Graph Foundation Models via Meta-Learning
von: Mattos, João, et al.
Veröffentlicht: (2026)

On Large-scale Evaluation of Embedding Models for Knowledge Graph Completion
von: Shirvani-Mahdavi, Nasim, et al.
Veröffentlicht: (2025)

Benchmarking Time Series Forecasting Models: From Statistical Techniques to Foundation Models in Real-World Applications
von: Arab, Issar, et al.
Veröffentlicht: (2025)

Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting
von: Qiu, Yunzhong, et al.
Veröffentlicht: (2026)

Towards a Foundation Model for Partial Differential Equations Across Physics Domains
von: Soares, Eduardo, et al.
Veröffentlicht: (2025)

Towards Neural Scaling Laws for Time Series Foundation Models
von: Yao, Qingren, et al.
Veröffentlicht: (2024)

ExChanGeAI: An End-to-End Platform and Efficient Foundation Model for Electrocardiogram Analysis and Fine-tuning
von: Bickmann, Lucas, et al.
Veröffentlicht: (2025)

Toward Privileged Foundation Models:LUPI for Accelerated and Improved Learning
von: Ding, Xueying, et al.
Veröffentlicht: (2026)

In-context Learning of Evolving Data Streams with Tabular Foundational Models
von: Lourenço, Afonso, et al.
Veröffentlicht: (2025)

Enabling Time-series Foundation Model for Building Energy Forecasting via Contrastive Curriculum Learning
von: Liang, Rui, et al.
Veröffentlicht: (2024)

PCDCNet: A Surrogate Model for Air Quality Forecasting with Physical-Chemical Dynamics and Constraints
von: Wang, Shuo, et al.
Veröffentlicht: (2025)

Goal-Oriented Time-Series Forecasting: Foundation Framework Design
von: Fechete, Luca-Andrei, et al.
Veröffentlicht: (2025)

Synthetic Data Aided Federated Learning Using Foundation Models
von: Abacha, Fatima, et al.
Veröffentlicht: (2024)

WaveMoE: A Wavelet-Enhanced Mixture-of-Experts Foundation Model for Time Series Forecasting
von: Wu, Shunyu, et al.
Veröffentlicht: (2026)

DualWeaver: Synergistic Feature Weaving Surrogates for Multivariate Forecasting with Univariate Time Series Foundation Models
von: Li, Jinpeng, et al.
Veröffentlicht: (2026)

CoRA: Boosting Time Series Foundation Models for Multivariate Forecasting through Correlation-aware Adapter
von: Cheng, Hanyin, et al.
Veröffentlicht: (2026)

Towards Learning Foundation Models for Heuristic Functions to Solve Pathfinding Problems
von: Khandelwal, Vedant, et al.
Veröffentlicht: (2024)

Towards Self-Supervised Foundation Models for Critical Care Time Series
von: Jagd, Katja Naasunnguaq, et al.
Veröffentlicht: (2025)

FoMEMO: Towards Foundation Models for Expensive Multi-objective Optimization
von: Yao, Yiming, et al.
Veröffentlicht: (2025)

A Heterogeneous Graph-Based Multi-Task Learning for Fault Event Diagnosis in Smart Grid
von: Chanda, Dibaloke, et al.
Veröffentlicht: (2023)