Buchumschlag

Not All Data are Good Labels: On the Self-supervised Labeling for Time Series Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Yuxuan, Zhang, Dalin, Liang, Yuxuan, Lu, Hua, Chen, Gang, Li, Huan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

iTFKAN: Interpretable Time Series Forecasting with Kolmogorov-Arnold Network
von: Liang, Ziran, et al.
Veröffentlicht: (2025)

TwinS: Revisiting Non-Stationarity in Multivariate Time Series Forecasting
von: Hu, Jiaxi, et al.
Veröffentlicht: (2024)

Beyond Fixed Variables: Expanding-variate Time Series Forecasting via Flat Scheme and Spatio-temporal Focal Learning
von: Ma, Minbo, et al.
Veröffentlicht: (2025)

Time-SSM: Simplifying and Unifying State Space Models for Time Series Forecasting
von: Hu, Jiaxi, et al.
Veröffentlicht: (2024)

Learning with Calibration: Exploring Test-Time Computing of Spatio-Temporal Forecasting
von: Chen, Wei, et al.
Veröffentlicht: (2025)

Time-o1: Time-Series Forecasting Needs Transformed Label Alignment
von: Wang, Hao, et al.
Veröffentlicht: (2025)

Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting
von: Chen, Wei, et al.
Veröffentlicht: (2024)

SEDformer: Event-Synchronous Spiking Transformers for Irregular Telemetry Time Series Forecasting
von: Zhou, Ziyu, et al.
Veröffentlicht: (2026)

Time-LLM: Time Series Forecasting by Reprogramming Large Language Models
von: Jin, Ming, et al.
Veröffentlicht: (2023)

Toward Physics-guided Time Series Embedding
von: Hu, Jiaxi, et al.
Veröffentlicht: (2024)

IdealTSF: Can Non-Ideal Data Contribute to Enhancing the Performance of Time Series Forecasting Models?
von: Wang, Hua, et al.
Veröffentlicht: (2025)

TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification
von: Wu, Xin, et al.
Veröffentlicht: (2025)

Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective
von: Hu, Jiaxi, et al.
Veröffentlicht: (2024)

Measuring Pre-training Data Quality without Labels for Time Series Foundation Models
von: Wen, Songkang, et al.
Veröffentlicht: (2024)

Scaling Law for Time Series Forecasting
von: Shi, Jingzhe, et al.
Veröffentlicht: (2024)

Bridging Classification and Reconstruction: Cooperative Time Series Anomaly Detection
von: Tang, Qideng, et al.
Veröffentlicht: (2026)

E2USD: Efficient-yet-effective Unsupervised State Detection for Multivariate Time Series
von: Lai, Zhichen, et al.
Veröffentlicht: (2024)

Let Experts Feel Uncertainty: A Multi-Expert Label Distribution Approach to Probabilistic Time Series Forecasting
von: Zhou, Zhen, et al.
Veröffentlicht: (2026)

NuwaTS: a Foundation Model Mending Every Incomplete Time Series
von: Cheng, Jinguo, et al.
Veröffentlicht: (2024)

A Survey on Diffusion Models for Time Series and Spatio-Temporal Data
von: Yang, Yiyuan, et al.
Veröffentlicht: (2024)

The Forecast After the Forecast: A Post-Processing Shift in Time Series
von: Liang, Daojun, et al.
Veröffentlicht: (2026)

Towards Reliable Time Series Forecasting under Future Uncertainty: Ambiguity and Novelty Rejection Mechanisms
von: Feng, Ninghui, et al.
Veröffentlicht: (2025)

Collaborative Graph Walk for Semi-supervised Multi-Label Node Classification
von: Akujuobi, Uchenna, et al.
Veröffentlicht: (2019)

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

Labels Matter More Than Models: Rethinking the Unsupervised Paradigm in Time Series Anomaly Detection
von: Zhong, Zhijie, et al.
Veröffentlicht: (2025)

Test-Time Learning of Causal Structure from Interventional Data
von: Chen, Wei, et al.
Veröffentlicht: (2026)

Position: What Can Large Language Models Tell Us about Time Series Analysis
von: Jin, Ming, et al.
Veröffentlicht: (2024)

L-Drive: Beyond a Single Mapping-Latent Context Drives Time Series Forecasting
von: Zhang, Fan, et al.
Veröffentlicht: (2026)

FoundObj: Self-supervised Foundation Models as Rewards for Label-free 3D Object Segmentation
von: Zhang, Zihui, et al.
Veröffentlicht: (2026)

Characteristic Root Analysis and Regularization for Linear Time Series Forecasting
von: Wang, Zheng, et al.
Veröffentlicht: (2025)

Deep Learning for Multivariate Time Series Imputation: A Survey
von: Wang, Jun, et al.
Veröffentlicht: (2024)

TimeSAF: Towards LLM-Guided Semantic Asynchronous Fusion for Time Series Forecasting
von: Zhang, Fan, et al.
Veröffentlicht: (2026)

Computer Vision Self-supervised Learning Methods on Time Series
von: Lee, Daesoo, et al.
Veröffentlicht: (2021)

An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware
von: Ling, Tianheng, et al.
Veröffentlicht: (2024)

Are Self-Attentions Effective for Time Series Forecasting?
von: Kim, Dongbin, et al.
Veröffentlicht: (2024)

Are Synthetic Time-series Data Really not as Good as Real Data?
von: Fu, Fanzhe, et al.
Veröffentlicht: (2024)

From Time Series Analysis to Question Answering: A Survey in the LLM Era
von: Li, Wei, et al.
Veröffentlicht: (2025)

Progressive Supervision via Label Decomposition: An Long-Term and Large-Scale Wireless Traffic Forecasting Method
von: Liang, Daojun, et al.
Veröffentlicht: (2025)

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