Buchumschlag

The Meta-Learning Gap: Combining Hydra and Quant for Large-Scale Time Series Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Maniar, Urav
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

Pruning Extensions and Efficiency Trade-Offs for Sustainable Time Series Classification
von: Fischer, Raphael, et al.
Veröffentlicht: (2026)

Hydra: Dual Exponentiated Memory for Multivariate Time Series Analysis
von: Meskin, Asal, et al.
Veröffentlicht: (2025)

Meta-learning to Address Data Shift in Time Series Classification
von: Myren, Samuel, et al.
Veröffentlicht: (2026)

The Multiverse of Time Series Machine Learning: an Archive for Multivariate Time Series Classification
von: Middlehurst, Matthew, et al.
Veröffentlicht: (2026)

Scaling Law for Large-Scale Pre-Training Using Chaotic Time Series and Predictability in Financial Time Series
von: Takemoto, Yuki
Veröffentlicht: (2025)

RepQuant: Towards Accurate Post-Training Quantization of Large Transformer Models via Scale Reparameterization
von: Li, Zhikai, et al.
Veröffentlicht: (2024)

Look Into the LITE in Deep Learning for Time Series Classification
von: Ismail-Fawaz, Ali, et al.
Veröffentlicht: (2024)

Rank Supervised Contrastive Learning for Time Series Classification
von: Ren, Qianying, et al.
Veröffentlicht: (2024)

AimTS: Augmented Series and Image Contrastive Learning for Time Series Classification
von: Chen, Yuxuan, et al.
Veröffentlicht: (2025)

Empowering Time Series Analysis with Large-Scale Multimodal Pretraining
von: Chen, Peng, et al.
Veröffentlicht: (2026)

AffineQuant: Affine Transformation Quantization for Large Language Models
von: Ma, Yuexiao, et al.
Veröffentlicht: (2024)

Learning Interpretable Differentiable Logic Networks for Time-Series Classification
von: Yue, Chang, et al.
Veröffentlicht: (2025)

Learning Soft Sparse Shapes for Efficient Time-Series Classification
von: Liu, Zhen, et al.
Veröffentlicht: (2025)

Multi-Stage Prototype Learning for Interpretable Time Series Classification
von: Kalisetti, Bhavesh, et al.
Veröffentlicht: (2021)

Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting
von: Dong, Zheng, et al.
Veröffentlicht: (2024)

NuTime: Numerically Multi-Scaled Embedding for Large-Scale Time-Series Pretraining
von: Lin, Chenguo, et al.
Veröffentlicht: (2023)

Rethinking Large Language Models For Irregular Time Series Classification In Critical Care
von: Zheng, Feixiang, et al.
Veröffentlicht: (2026)

On Multivariate Financial Time Series Classification
von: Bournassenko, Grégory
Veröffentlicht: (2025)

OstQuant: Refining Large Language Model Quantization with Orthogonal and Scaling Transformations for Better Distribution Fitting
von: Hu, Xing, et al.
Veröffentlicht: (2025)

MantisV2: Closing the Zero-Shot Gap in Time Series Classification with Synthetic Data and Test-Time Strategies
von: Feofanov, Vasilii, et al.
Veröffentlicht: (2026)

Early Time Classification with Accumulated Accuracy Gap Control
von: Ringel, Liran, et al.
Veröffentlicht: (2024)

MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting
von: Cai, Wanlin, et al.
Veröffentlicht: (2023)

FIC-TSC: Learning Time Series Classification with Fisher Information Constraint
von: Chen, Xiwen, et al.
Veröffentlicht: (2025)

Convolutional and Deep Learning based techniques for Time Series Ordinal Classification
von: Ayllón-Gavilán, Rafael, et al.
Veröffentlicht: (2023)

Semi-Supervised End-To-End Contrastive Learning For Time Series Classification
von: Cai, Huili, et al.
Veröffentlicht: (2023)

TSCMamba: Mamba Meets Multi-View Learning for Time Series Classification
von: Ahamed, Md Atik, et al.
Veröffentlicht: (2024)

MTM: A Multi-Scale Token Mixing Transformer for Irregular Multivariate Time Series Classification
von: Zhong, Shuhan, et al.
Veröffentlicht: (2025)

QuantVLA: Scale-Calibrated Post-Training Quantization for Vision-Language-Action Models
von: Zhang, Jingxuan, et al.
Veröffentlicht: (2026)

Scaling Transformers for Time Series Forecasting: Do Pretrained Large Models Outperform Small-Scale Alternatives?
von: Chakraborty, Sanjay, et al.
Veröffentlicht: (2025)

Interpretable ML Under the Microscope: Performance, Meta-Features, and the Regression-Classification Predictability Gap
von: Billa, Mattia, et al.
Veröffentlicht: (2026)

Adaptive Classification of Interval-Valued Time Series
von: Tian, Wan, et al.
Veröffentlicht: (2025)

Robust Explainer Recommendation for Time Series Classification
von: Nguyen, Thu Trang, et al.
Veröffentlicht: (2023)

NanoQuant: Efficient Sub-1-Bit Quantization of Large Language Models
von: Chong, Hyochan, et al.
Veröffentlicht: (2026)

Adapting to the Unknown: Robust Meta-Learning for Zero-Shot Financial Time Series Forecasting
von: Liu, Anxian, et al.
Veröffentlicht: (2025)

An Active Learning Framework with a Class Balancing Strategy for Time Series Classification
von: Das, Shemonto
Veröffentlicht: (2024)

OmniQuant: Omnidirectionally Calibrated Quantization for Large Language Models
von: Shao, Wenqi, et al.
Veröffentlicht: (2023)

Revisit Time Series Classification Benchmark: The Impact of Temporal Information for Classification
von: Zhang, Yunrui, et al.
Veröffentlicht: (2025)

Guidelines for Augmentation Selection in Contrastive Learning for Time Series Classification
von: Liu, Ziyu, et al.
Veröffentlicht: (2024)

TimeMIL: Advancing Multivariate Time Series Classification via a Time-aware Multiple Instance Learning
von: Chen, Xiwen, et al.
Veröffentlicht: (2024)

Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity
von: Kamarthi, Harshavardhan, et al.
Veröffentlicht: (2024)