Buchumschlag

MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Liang, Tu, Lai, Bai, Xiang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FAiT: Frequency-Aware Inverted Transformer for Multivariate Time Series Forecasting
von: He, Peng, et al.
Veröffentlicht: (2026)

TLCCSP: A Scalable Framework for Enhancing Time Series Forecasting with Time-Lagged Cross-Correlations
von: Wu, Jianfei, et al.
Veröffentlicht: (2025)

Retrieval Augmented Time Series Forecasting
von: Han, Sungwon, et al.
Veröffentlicht: (2025)

Scalable Transformer for High Dimensional Multivariate Time Series Forecasting
von: Zhou, Xin, et al.
Veröffentlicht: (2024)

Retrieval Mechanisms Surpass Long-Context Scaling in Time Series Forecasting
von: Ahuja, Rishi, et al.
Veröffentlicht: (2026)

Adaptive Convolutional Forecasting Network Based on Time Series Feature-Driven
von: Zhang, Dandan, et al.
Veröffentlicht: (2024)

Tackling Data Heterogeneity in Federated Time Series Forecasting
von: Yuan, Wei, et al.
Veröffentlicht: (2024)

RATSF: Empowering Customer Service Volume Management through Retrieval-Augmented Time-Series Forecasting
von: Wang, Tianfeng, et al.
Veröffentlicht: (2024)

MoTime: A Dataset Suite for Multimodal Time Series Forecasting
von: Zhou, Xin, et al.
Veröffentlicht: (2025)

Continuous-time Autoencoders for Regular and Irregular Time Series Imputation
von: Wi, Hyowon, et al.
Veröffentlicht: (2023)

Temporal Streaming Batch Principal Component Analysis for Time Series Classification
von: Yan, Enshuo, et al.
Veröffentlicht: (2024)

ASTRA: Accurate and Scalable ANNS-based Training of Extreme Classifiers
von: Mehta, Sonu, et al.
Veröffentlicht: (2024)

Distribution Agnostic Symbolic Representations for Time Series Dimensionality Reduction and Online Anomaly Detection
von: Bountrogiannis, Konstantinos, et al.
Veröffentlicht: (2021)

Uncovering Causal Drivers of Energy Efficiency for Industrial Process in Foundry via Time-Series Causal Inference
von: Ma, Zhipeng, et al.
Veröffentlicht: (2025)

Interdependency Matters: Graph Alignment for Multivariate Time Series Anomaly Detection
von: Wang, Yuanyi, et al.
Veröffentlicht: (2024)

Linear-Time Graph Neural Networks for Scalable Recommendations
von: Zhang, Jiahao, et al.
Veröffentlicht: (2024)

Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation
von: Liang, Shunpan, et al.
Veröffentlicht: (2024)

Dynamic Sparse Causal-Attention Temporal Networks for Interpretable Causality Discovery in Multivariate Time Series
von: Zerkouk, Meriem, et al.
Veröffentlicht: (2025)

Scalable In-context Ranking with Generative Models
von: Gupta, Nilesh, et al.
Veröffentlicht: (2025)

Multi-Channel Hypergraph Contrastive Learning for Matrix Completion
von: Li, Xiang, et al.
Veröffentlicht: (2024)

CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
von: Zhang, Yang, et al.
Veröffentlicht: (2025)

In-context Contrastive Learning for Event Causality Identification
von: Liang, Chao, et al.
Veröffentlicht: (2024)

Watermarking Large Language Model-based Time Series Forecasting
von: Yuan, Wei, et al.
Veröffentlicht: (2025)

Probabilistic Rank and Reward: A Scalable Model for Slate Recommendation
von: Aouali, Imad, et al.
Veröffentlicht: (2022)

Save, Revisit, Retain: A Scalable Framework for Enhancing User Retention in Large-Scale Recommender Systems
von: Jiang, Weijie, et al.
Veröffentlicht: (2025)

Towards Scalable Semantic Representation for Recommendation
von: Zhang, Taolin, et al.
Veröffentlicht: (2024)

Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach
von: Zhang, Haidong, et al.
Veröffentlicht: (2024)

Multi-Graph Co-Training for Capturing User Intent in Session-based Recommendation
von: Yang, Zhe, et al.
Veröffentlicht: (2024)

A Scalable Crawling Algorithm Utilizing Noisy Change-Indicating Signals
von: Busa-Fekete, Róbert, et al.
Veröffentlicht: (2025)

Towards More Robust and Accurate Sequential Recommendation with Cascade-guided Adversarial Training
von: Tan, Juntao, et al.
Veröffentlicht: (2023)

Recommending Composite Items Using Multi-Level Preference Information: A Joint Interaction Modeling Approach
von: Bi, Xuan, et al.
Veröffentlicht: (2026)

Frequency-aware Graph Signal Processing for Collaborative Filtering
von: Xia, Jiafeng, et al.
Veröffentlicht: (2024)

Scalable Bayesian Optimization with Sparse Gaussian Process Models
von: Yang, Ang
Veröffentlicht: (2020)

Multiple Models for Recommending Temporal Aspects of Entities
von: Nguyen, Tu, et al.
Veröffentlicht: (2018)

RMBRec: Robust Multi-Behavior Recommendation towards Target Behaviors
von: Cai, Miaomiao, et al.
Veröffentlicht: (2026)

Resolution-Aware Retrieval Augmented Zero-Shot Forecasting
von: Deznabi, Iman, et al.
Veröffentlicht: (2025)

The Future is Sparse: Embedding Compression for Scalable Retrieval in Recommender Systems
von: Kasalický, Petr, et al.
Veröffentlicht: (2025)

Building a Scalable, Effective, and Steerable Search and Ranking Platform
von: Celikik, Marjan, et al.
Veröffentlicht: (2024)

Domain-Adaptive and Scalable Dense Retrieval for Content-Based Recommendation
von: Pandey, Mritunjay
Veröffentlicht: (2026)

A Defect is Being Born: How Close Are We? A Time Sensitive Forecasting Approach
von: Robredo, Mikel, et al.
Veröffentlicht: (2026)