Buchumschlag

Compositionality in Time Series: A Proof of Concept using Symbolic Dynamics and Compositional Data Augmentation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hagmann, Michael, Staniek, Michael, Riezler, Stefan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting
von: Staniek, Michael, et al.
Veröffentlicht: (2024)

Embedding-Space Data Augmentation to Prevent Membership Inference Attacks in Clinical Time Series Forecasting
von: Fracarolli, Marius, et al.
Veröffentlicht: (2025)

Training and Evaluation of Guideline-Based Medical Reasoning in LLMs
von: Staniek, Michael, et al.
Veröffentlicht: (2025)

Text-to-OverpassQL: A Natural Language Interface for Complex Geodata Querying of OpenStreetMap
von: Staniek, Michael, et al.
Veröffentlicht: (2023)

Swing-by Dynamics in Concept Learning and Compositional Generalization
von: Yang, Yongyi, et al.
Veröffentlicht: (2024)

Retrodictive Forecasting: A Proof-of-Concept for Exploiting Temporal Asymmetry in Time Series Prediction
von: Damour, Cedric
Veröffentlicht: (2026)

Investigating Compositional Reasoning in Time Series Foundation Models
von: Potosnak, Willa, et al.
Veröffentlicht: (2025)

Synthetic Series-Symbol Data Generation for Time Series Foundation Models
von: Wang, Wenxuan, et al.
Veröffentlicht: (2025)

Test-Time Compositional Generalization in Diffusion Models via Concept Discovery
von: Wang, Zekun, et al.
Veröffentlicht: (2026)

Mitigating Data Scarcity in Time Series Analysis: A Foundation Model with Series-Symbol Data Generation
von: Wang, Wenxuan, et al.
Veröffentlicht: (2025)

Post-edits Are Preferences Too
von: Berger, Nathaniel, et al.
Veröffentlicht: (2024)

Interpretability for Time Series Transformers using A Concept Bottleneck Framework
von: van Sprang, Angela, et al.
Veröffentlicht: (2024)

Time Series Data Augmentation as an Imbalanced Learning Problem
von: Cerqueira, Vitor, et al.
Veröffentlicht: (2024)

Towards Compositionality in Concept Learning
von: Stein, Adam, et al.
Veröffentlicht: (2024)

Generating Synthetic Ground Truth Distributions for Multi-step Trajectory Prediction using Probabilistic Composite Bézier Curves
von: Hug, Ronny, et al.
Veröffentlicht: (2024)

Learning Compositional Transferability of Time Series for Source-Free Domain Adaptation
von: Sun, Hankang, et al.
Veröffentlicht: (2025)

Data Augmentation in Time Series Forecasting through Inverted Framework
von: Tan, Hongming, et al.
Veröffentlicht: (2025)

Data Augmentation for Multivariate Time Series Classification: An Experimental Study
von: Ilbert, Romain, et al.
Veröffentlicht: (2024)

OATS: Online Data Augmentation for Time Series Foundation Models
von: Deng, Junwei, et al.
Veröffentlicht: (2026)

ABBA-VSM: Time Series Classification using Symbolic Representation on the Edge
von: Kanatbekova, Meerzhan, et al.
Veröffentlicht: (2024)

TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification
von: Pandey, Akash, et al.
Veröffentlicht: (2026)

Concept Extraction for Time Series with ECLAD-ts
von: Holzapfel, Antonia, et al.
Veröffentlicht: (2025)

Improving Long-term Autoregressive Spatiotemporal Predictions: A Proof of Concept with Fluid Dynamics
von: Zhou, Hao, et al.
Veröffentlicht: (2025)

MASCOTS: Model-Agnostic Symbolic COunterfactual explanations for Time Series
von: Płudowski, Dawid, et al.
Veröffentlicht: (2025)

An Efficient and Generalizable Symbolic Regression Method for Time Series Analysis
von: Xie, Yi, et al.
Veröffentlicht: (2024)

Data Augmentation for Time-Series Classification: An Extensive Empirical Study and Comprehensive Survey
von: Gao, Zijun, et al.
Veröffentlicht: (2023)

Composite Concept Extraction through Backdooring
von: Ghosh, Banibrata, et al.
Veröffentlicht: (2024)

Learning Tree-Structured Composition of Data Augmentation
von: Li, Dongyue, et al.
Veröffentlicht: (2024)

TADA: Temporal Adversarial Data Augmentation for Time Series Data
von: Lee, Byeong Tak, et al.
Veröffentlicht: (2024)

Rapid Augmentations for Time Series (RATS): A High-Performance Library for Time Series Augmentation
von: Skaf, Wadie, et al.
Veröffentlicht: (2026)

Compositional Learning of Visually-Grounded Concepts Using Reinforcement
von: Lin, Zijun, et al.
Veröffentlicht: (2023)

Data Augmentation of Multivariate Sensor Time Series using Autoregressive Models and Application to Failure Prognostics
von: de Souza, Douglas Baptista, et al.
Veröffentlicht: (2024)

Parametric Augmentation for Time Series Contrastive Learning
von: Zheng, Xu, et al.
Veröffentlicht: (2024)

CAAP: Class-Dependent Automatic Data Augmentation Based On Adaptive Policies For Time Series
von: Chang, Tien-Yu, et al.
Veröffentlicht: (2024)

Multivariate de Bruijn Graphs: A Symbolic Graph Framework for Time Series Forecasting
von: Cakiroglu, Mert Onur, et al.
Veröffentlicht: (2025)

Conformal Prediction for Compositional Data
von: Amaral, Lucas P., et al.
Veröffentlicht: (2025)

Data Augmentation of Time-Series Data in Human Movement Biomechanics: A Scoping Review
von: Halmich, Christina, et al.
Veröffentlicht: (2025)

DAD4TS: Data-Augmentation-Oriented Diffusion Model for Time-Series Forecasting with Small-Scale Data
von: Suzuki, Masahiro, et al.
Veröffentlicht: (2026)

Composite Flow Matching for Reinforcement Learning with Shifted-Dynamics Data
von: Kong, Lingkai, et al.
Veröffentlicht: (2025)

A Compositional Kernel Model for Feature Learning
von: Ruan, Feng, et al.
Veröffentlicht: (2025)