Buchumschlag

UTICA: Multi-Objective Self-Distllation Foundation Model Pretraining for Time Series Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Moakher, Yessin, Hili, Youssef Attia El, Feofanov, Vasilii
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Leveraging Generic Time Series Foundation Models for EEG Classification
von: Gnassounou, Théo, et al.
Veröffentlicht: (2025)

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

CauKer: Classification Time Series Foundation Models Can Be Pretrained on Synthetic Data
von: Xie, Shifeng, et al.
Veröffentlicht: (2025)

Time Series Representations for Classification Lie Hidden in Pretrained Vision Transformers
von: Roschmann, Simon, et al.
Veröffentlicht: (2025)

Mantis: Lightweight Calibrated Foundation Model for User-Friendly Time Series Classification
von: Feofanov, Vasilii, 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)

LLM Pretraining Shapes a Generalizable Manifold: Insights into Cross-Modal Transfer to Time Series
von: Roger, Alexis, et al.
Veröffentlicht: (2026)

Leveraging Ensemble Diversity for Robust Self-Training in the Presence of Sample Selection Bias
von: Odonnat, Ambroise, et al.
Veröffentlicht: (2023)

User-friendly Foundation Model Adapters for Multivariate Time Series Classification
von: Feofanov, Vasilii, et al.
Veröffentlicht: (2024)

Bridging Distribution Gaps in Time Series Foundation Model Pretraining with Prototype-Guided Normalization
von: Gong, Peiliang, et al.
Veröffentlicht: (2025)

Generalization in Representation Models via Random Matrix Theory: Application to Recurrent Networks
von: Moakher, Yessin, et al.
Veröffentlicht: (2025)

This Time is Different: An Observability Perspective on Time Series Foundation Models
von: Cohen, Ben, et al.
Veröffentlicht: (2025)

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

A Random Matrix Perspective of Echo State Networks: From Precise Bias--Variance Characterization to Optimal Regularization
von: Moakher, Yessin, et al.
Veröffentlicht: (2025)

TiCT: A Synthetically Pre-Trained Foundation Model for Time Series Classification
von: Yeh, Chin-Chia Michael, et al.
Veröffentlicht: (2025)

AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting
von: Benechehab, Abdelhakim, et al.
Veröffentlicht: (2025)

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

Self-supervised Pretraining for Decision Foundation Model: Formulation, Pipeline and Challenges
von: Liu, Xiaoqian, et al.
Veröffentlicht: (2023)

TX-Gen: Multi-Objective Optimization for Sparse Counterfactual Explanations for Time-Series Classification
von: Huang, Qi, et al.
Veröffentlicht: (2024)

ChronosX: Adapting Pretrained Time Series Models with Exogenous Variables
von: Arango, Sebastian Pineda, et al.
Veröffentlicht: (2025)

Foundation Models for Time Series: A Survey
von: Kottapalli, Siva Rama Krishna, et al.
Veröffentlicht: (2025)

Transformers and Their Roles as Time Series Foundation Models
von: Wu, Dennis, et al.
Veröffentlicht: (2025)

Leveraging Foundational Models and Simple Fusion for Multi-modal Physiological Signal Analysis
von: Ghallab, Youssef, et al.
Veröffentlicht: (2025)

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

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

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

Diversified Scaling Inference in Time Series Foundation Models
von: Hua, Ruijin, et al.
Veröffentlicht: (2026)

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

Lightweight Time Series Data Valuation on Time Series Foundation Models via In-Context Finetuning
von: Wu, Shunyu, et al.
Veröffentlicht: (2025)

Time-Series Classification for Dynamic Strategies in Multi-Step Forecasting
von: Green, Riku, et al.
Veröffentlicht: (2024)

MONAQ: Multi-Objective Neural Architecture Querying for Time-Series Analysis on Resource-Constrained Devices
von: Trirat, Patara, et al.
Veröffentlicht: (2025)

KairosHope: A Next-Generation Time-Series Foundation Model for Specialized Classification via Dual-Memory Architecture
von: Balderas, Luis, et al.
Veröffentlicht: (2026)

Quantifying the Pre-training Dividend: Generative versus Latent Self-Supervised Learning for Time Series Foundation Models
von: Major, Noam, et al.
Veröffentlicht: (2026)

Non-Stationarity in the Embedding Space of Time Series Foundation Models
von: Choi, Jinmyeong, et al.
Veröffentlicht: (2026)

Discrete Prototypical Memories for Federated Time Series Foundation Models
von: Deng, Liwei, et al.
Veröffentlicht: (2026)

Time Series Foundational Models: Their Role in Anomaly Detection and Prediction
von: Shyalika, Chathurangi, et al.
Veröffentlicht: (2024)

A Time-Series Foundation Model by Universal Delay Embedding
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

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

TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model
von: Cao, Defu, et al.
Veröffentlicht: (2024)

Diffusion-Guided Pretraining for Brain Graph Foundation Models
von: Wei, Xinxu, et al.
Veröffentlicht: (2026)